微软Silverlight 5开发书籍汇总

devgis devgis 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 100+累计阅读 131平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄16年
关注
最新推荐文章于 2026-11-12 14:25:28 发布 131 阅读 AI 写同款· GEO 优化 ›
MicrosoftSilverlight是一个跨浏览器的、跨平台的插件，为网络带来下一代基于。NET的媒体体验和丰富的交互式应用程序。Silverlight提供灵活的编程模型，并可以很方便地集成到现有的网络应用程序中。Silverlight可以对运行在Mac或Windows上的主流浏览器提供高质量视频信息的快速、低成本的传递。(百度百科)

Silverlight作为RIA应用开发主要技术之一，深受商业应用开发人员的喜爱。无论在国内，还是在国外，有不少商业平台使用Silverlight技术开发基于Web的应用，例如：netflix，pplive，qq，sina等。为了方便大家学习Silverlight开发技术，本文汇总Silverlight5最新开发书籍列表，希望对大家学习Silverlight开发技术有所帮助。同时我们欢迎各位发表读书心得，相互交流，共同提高；如果您在阅读中遇到问题，欢迎留言，我们一起讨论解决。

请大家不要将这些书籍作为商业用途。

ProSilverlight5inC#(2012)



ProSilverlight5inC#(2012),该书已经第四版印刷，是Silverlight经典教程书籍，书籍由浅入深介绍Silverlight5，知识覆盖广，结合实例讲解各个知识点，适合Silverlight开发人员参考阅读。
书籍下载


ProBusinessApplicationswithSilverlight5



ProBusinessApplicationswithSilverlight5,该书详细介绍微软Silverlight5商业应用开发指南，书籍由浅入深介绍Silverlight特性，并结合实例讲解Silverlight在商业应用开发技巧和方法。
该书适合Silverlight应用开发人员参考阅读。

书籍下载


MicrosoftSilverlight5:BuildRichEnterpriseDashboards



MicrosoftSilverlight5:BuildRichEnterpriseDashboards，微软Silverlight5打造高级企业级仪表实例开发书籍。
该书结合Silverlight5介绍如何创建企业级RIA仪表统计实例应用，展现Silverlight开发商业应用的强大功能。
书籍下载


MicrosoftSilverlight5andWindowsAzureEnterpriseIntegration



MicrosoftSilverlight5andWindowsAzureEnterpriseIntegration，该书介绍使用Silverlight5与WindowsAzure云平台结合，开发企业应用方法和技巧。
书籍下载


MasteringLOBDevelopmentforSilverlight5



MasteringLOBDevelopmentforSilverlight5，该书介绍使用Silverlight5开发完整商业应用，书中涉及Silverlight5新特性，以及商业应用开发策略等技巧。
该书适合从事RIA企业应用开发人员参考阅读。
书籍下载


MicrosoftSilverlight5DataandServicesCookbook



MicrosoftSilverlight5DataandServicesCookbook,微软Silverlight5开发书籍。
该书详细介绍Silverlight5数据和服务操作技巧方法，书籍包含大量实例演示Silverlight5开发企业级应用强大功能。
书籍下载


Silverlight5inAction



Silverlight5inAction是Manning公司推出的Silverlight5开发技术教程书籍，在Silverlight4inAction基础上改编而成。该书介绍Silverlight5基础知识，适合Silverlight初级开发人员学习参考。
书籍下载



MCTS:MicrosoftSilverlight4DevelopmentCertificationGuide



MCTS:MicrosoftSilverlight4DevelopmentCertificationGuide,微软Silverlight认证考试书籍，该书详细介绍Silverlight4开发，帮助开发人员学习掌握Silverlight开发知识，获得70-506考试认证MCTS。
书籍下载


MVVMSurvivalGuideforEnterpriseArchitecturesinSilverlightandWPF



MVVMSurvivalGuideforEnterpriseArchitecturesinSilverlightandWPF,该书详细介绍Silverlight和WPF结合MVVM框架开发企业及应用方法和技巧。
书中结合大量实例演示MVVM在Silverlight和WPF项目的应用。
书籍下载
FFDNet-pytorch版本代码训练教程 该文章为FFDNet-pytorch版本代码训练教程，抓紧订阅学习！尽早入门发论文哦！ 阅读详情

相关推荐

史上最强量化工具库 Ta-Lib 从入门到精通，一篇文章就够了！

Ta-Lib 提供的 13 个关键指标，并配上详细的代码示例，确保你看完就能直接上手！🔥。

奔跑的蜗牛 9936

Kimi Code桌面版实测：AI编程助手从命令行到GUI的全面升级

AI编程助手正从纯终端交互走向图形化协作，其核心价值在于将代码生成、项目上下文管理与可视化审查能力整合到统一界面中。理解这类工具的工作原理，有助于开发者重新审视人与AI的分工边界：上下文感知、Diff预览、文件级索引等机制，本质上是为了降低多文件重构和跨模块调试的认知负担。技术价值的落地体现为实际场景中的效率跃升——在复杂项目开发、历史会话追踪和代码审查环节，图形化交互明显优于传统命令行模式。当AI编程助手能够主动检索项目结构并可视化呈现改动时，它便从问答工具进化为编程伙伴。本文以Kimi Code桌面版为

weixin_33802505的博客 303

头歌操作系统2023春季课堂练习2.1：外部中断

本关任务：通过相关知识以及实验回答：版本 1 内核的第 6 次时钟中断发生时，断点和恢复点（指令地址）分别是多少？回答问题：当第一行 0/1 字符全部输出完毕的时候一共发生了几次时钟中断，即第一行完全填满时 jiffies 记录的已发生次数为多少？本关任务：通过实际操作回答在输出第一行 0/1 字符的过程中（如下图所示），共发生了几次时钟中断？2.此时 bochs 虚拟机输出的 0/1 字符串是什么？（只填写数字，不填写空格!根据相关知识进行实际操作，一直输入 c 直到 0/1 将第一行完全填满。

weixin_64821608的博客 8133

分享Silverlight/WPF/Windows Phone/HTML5一周学习导读(2月6日-2月12日)

分享Silverlight/WPF/Windows Phone/HTML5一周学习导读(2月6日-2月12日) 本周Silverlight学习资源更新 实现Silverlight自定义载入动画的方法（附源码） moonlight007 在虚拟主机上搭建mvc+Silverlight流程与要点 （上） SongSharp 在虚拟主机上...

weixin_34245169的博客 259

512分辨率万能遮罩模型实战指南：从下载到高精度应用

本文提供了512分辨率万能遮罩模型的完整实战指南。该模型经过超过540万次迭代，专门优化了对头发、手、眼睛等复杂区域的识别。文章详细介绍了从可靠渠道下载、环境部署、使用DF_ICE工具批量应用遮罩，到利用XSeg Editor进行高精度精修的全流程，旨在帮助用户显著提升AI换脸合成视频的质量与效率。

y2z3a4b5c的博客 1167

ThingsBoard入门实战（二）：ThingsBoard 设备接入

文章目录ThingsBoard 设备接入一、设备配置/设备类型二、设备三、设备接入HTTPCOAPMQTT四、下一步 ThingsBoard 设备接入 设备接入并不一定需要真正的设备，我们可以通过程序。或者命令来模拟设备，向平台发送信息。 这节我们先为用户分配一个设备，然后通过模拟设备命令更新设备的状态(遥测值)。 一、设备配置/设备类型 添加一个叫"路灯"的设备配置。 设备配置听起来比较抽象，可以认为是设备类型或者是设备类型的配置。实际上，ThingsBoard 中很多时候让选择设备类型，就是选的这个。

AIGC搞起 1万+

分享Silverlight/WPF/Windows Phone一周学习导读(9月26日-9月30日)

本周，微软发布了Windows Phone开发人员期待已久的Mango版本（v7.5），该版本包括近500个新功能更新，其中包括多任务支持等令人期待的功能。更多信息，请参看： Windows Phone 7.5推送 更新增加近500个新功能 微软开始全球推送Windows Phone 7.5芒果更新 分享Silverlight/WPF/Windows Phone一周...

weixin_33744141的博客 123

把事务数据变成可分析数据：用 ABAP CDS 构建 Cube View 与 Query View，并拆解 OData 取数的底层路径

ABAP CDS分析建模：Cube与Query视图的实践解析 本文探讨了ABAP CDS分析建模中Cube View与Query View的核心区别与应用场景： 架构定位 Cube View作为分析型数据源，定义维度和度量的基础语义 Query View作为消费投影，控制查询可见字段和聚合逻辑 关键实现 通过@Analytics.dataCategory: #CUBE声明分析数据源 使用@DefaultAggregation确保指标口径一致性 @Analytics.query: true启用分析引擎特性 运

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 142

Windows 8应用开发书籍汇总

Windows 8作为新一代操作系统，继承以往桌面操作系统的优点，而且还提供移动便携设备支持。Windows使用用户基数庞大，预示着Windows应用巨大的潜在市场，察看Windows Store，每天都有不同的Windows应用上线，越来越多的互联网行业和企业应用也在悄然移植到Windows 8平台。对于Windows开发人员而言，又一次新的机会和挑战即将到来。为了方便更多开发人员学习Windo

Kevin Fan 9984

图文教程本地部署开源扣子Coze Studio工作流并接入 Gemini 大模型（windows亲测） Coze Studio 本地部署、Gemini 模型接入、开源 AI 工具平台、大模型工作流搭建

本文介绍了在Windows系统本地部署开源AI工具平台Coze Studio并接入Google Gemini大模型的完整教程。主要内容包括：1) 环境准备要求（Docker等）；2) 获取源码和配置Gemini模型（需API密钥）；3) 通过Docker Compose部署服务；4) 浏览器访问验证。文章指出该平台适合私有化部署，支持智能体和工作流搭建，但也存在插件系统不完善等局限。最后提供了相关资源链接，为开发者实现本地AI解决方案提供了实用指南。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用，接口、架构、性能全搞定。 2785

SPICE仿真软件：Ngspice_（2）.安装与配置

在Netlist文件中直接定义模型。V1 1 0 5R1 2 0 1k* Analysis库文件中可以包含多种电路元件模型和参数。

kkchenjj的博客 1588

Silverlight书籍推荐阅读排行榜

<br />目前市面上Silverlight书籍已经不少了，为了方便大家查找和阅读学习，这里列出一个简单的列表，供大家参考。<br /> <br />曾经分享过的Silverlight开发书籍文章：<br />【新书推荐】Silverlight 4教程书籍推荐<br />Silverlight经典教程书籍汇总<br /> <br /> <br />Silverlight 4简体中文正式版脱机帮助文档      推荐指数：<br />该文档是目前最全而且最新的Silverlight开发文档，微软将其所有API

Kevin Fan 2103

基于opencv人脸识别实现课堂抬头率检测系统 完整代码 可直接运行 作为毕设

基于opencv人脸识别实现课堂抬头率检测系统 完整代码 可直接运行 作为毕设

机器学习深度学习业余选手 1146

Silverlight经典教程书籍汇总

下周Silverlight 4即将发布，相信Silverlight 4将吸引更多的开发人员加入到RIA应用开发行列。这里我汇集总结了当前市面上最流行的几本Silverlight教程书籍，其中包括Silverlight基础，Silverlight游戏开发，Silverlight企业级项目设计等，希望能够帮助更多开发人员和设计人员了解和学习Silverlight技术。由于Silverlight中文书籍

Kevin Fan 8739

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

学习Silverlight 书籍

学习Silverlight 书籍 Silverlight教程书籍列表 Windows Phone 7应用开发视频教程 Visual C# 2010开发Silverlight 4视频教程 Visual Basic 2010 in 24 Hours Silve...

aizhejuan4396的博客 228

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Silverlight 经典教程书籍汇总

<br />下周Silverlight 4即将发布，相信Silverlight 4将吸引更多的开发人员加入到RIA应用开发行列。这里我汇集总结了当前市面上最流行的几本Silverlight教程书籍，其中包括 Silverlight基础，Silverlight游戏开发，Silverlight企业级项目设计等，希望能够帮助更多开发人员和设计人员了解和学习 Silverlight技术。由于Silverlight中文书籍较少，所以大部分都是英文书籍，请大家见谅。本文曾在优快云论坛 Silverlight版块发表过

优秀技术文章收录 1297

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
上一篇： 【配置属性】—Entity Framework实例详解
下一篇： 浮点数的误差问题
点赞 0
评论 0
书签 书签 0
devgis
devgis
博客等级 码龄16年 52粉丝 60原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值