HarmonyOS应用《玄象》开发实战:项目目录约定:common/components/constants/utils/pages 六层架构

鸿蒙第16篇——数据持久化 本文介绍的数据持久化是指鸿蒙应用的数据持久化存储。它是将内存中的数据通过文件或数据库的形式保存到设备存储中。鸿蒙支持多种数据存储方式, 包括用户首选项Preferences、 键值型数据库KV-Store和关系型数据库。 阅读详情

页面预览

阅读时长:约 19 分钟 | 难度:★★★★☆ | 篇章:第 1 篇 · 项目架构与设计哲学
对应源码:xuanxiang_ohos_app/entry/src/main/ets/

六层架构目录图

前言

随着 HarmonyOS 应用功能不断扩展,代码组织方式 直接决定了项目的可维护性、协作效率与未来演进空间。玄象项目作为一款包含星宿、周易、命理、风水、历法等十余个功能模块的传统文化应用,采用了 common/components/constants/utils/pages 六层架构 划分源码目录。本篇将深入剖析玄象项目的目录约定与分层架构,让您掌握在 ArkTS 项目中构建清晰可维护工程结构的方法论。

提示:目录约定是团队协作的"通用语言"。良好的目录结构能让新成员在 5 分钟内理解项目骨架,反之则会让协作陷入混乱。

一、玄象项目 ets 源码目录总览

1.1 完整目录树

entry/src/main/ets/
├── entryability/                  # 应用入口 Ability
│   └── EntryAbility.ets
├── entrybackupability/            # 备份扩展 Ability
│   └── EntryBackupAbility.ets
├── common/                        # 公共代码层
│   ├── components/                # 复用组件
│   │   ├── BottomTabBar.ets
│   │   ├── FiveElementBadge.ets
│   │   ├── GoldBorderCard.ets
│   │   ├── GoldButton.ets
│   │   └── GoldTitle.ets
│   ├── constants/                 # 常量定义
│   │   ├── Colors.ets
│   │   └── Styles.ets
│   └── utils/                     # 工具类
│       ├── HeavenlyStems.ets
│       ├── HexagramData.ets
│       ├── LunarCalendar.ets
│       ├── MansionData.ets
│       └── SolarTerms.ets
└── pages/                         # 页面层
    ├── Index.ets                  # 路由根
    ├── SplashPage.ets             # 启动页
    ├── HomePage.ets               # 首页
    ├── mansion/                   # 二十八星宿模块
    ├── yijing/                    # 周易易学模块
    ├── mingli/                    # 八字命理模块
    ├── fengshui/                  # 风水罗盘模块
    ├── astronomy/                 # 天文历法模块
    ├── music/                     # 乐律模块
    ├── geography/                 # 地理九州模块
    ├── naming/                    # AI 取名模块
    ├── assistant/                 # AI 助手模块
    ├── stems/                     # 天干地支模块
    └── profile/                   # 用户中心模块

1.2 六层架构概览

玄象项目将源码划分为六大层级:

层级目录职责
1. Ability 层entryability/、entrybackupability/应用入口与扩展能力
2. 公共组件层common/components/跨模块复用的 UI 组件
3. 常量层common/constants/颜色、样式、配置等常量
4. 工具层common/utils/业务算法与数据处理
5. 页面层pages/所有页面级组件
6. 路由根层pages/Index.ets应用路由入口

二、Ability 层:应用入口与扩展能力

2.1 Ability 层职责

Ability 层包含玄象项目的所有 Ability 定义:

entryability/
└── EntryAbility.ets              # 主入口 Ability
entrybackupability/
└── EntryBackupAbility.ets        # 备份扩展 Ability

2.2 Ability 层规范

玄象项目 Ability 层规范:

  1. 目录名 = Ability 类型名:entryability 对应 EntryAbility。
  2. 一个 Ability 一个文件:避免单文件多 Ability。
  3. 使用 export default:Ability 类用 export default 导出。

提示:玄象项目若新增 WidgetAbility,应建立 widgetability/WidgetAbility.ets 目录结构。

三、公共组件层:common/components

3.1 五大复用组件

玄象项目 common/components/ 包含 5 个跨模块复用组件:

组件文件复用场景
BottomTabBarBottomTabBar.ets底部导航栏
FiveElementBadgeFiveElementBadge.ets五行徽章
GoldBorderCardGoldBorderCard.ets金边卡片
GoldButtonGoldButton.ets金色按钮
GoldTitleGoldTitle.ets金色标题

3.2 组件入库准则

玄象项目组件入库准则:

准则说明
复用度 ≥ 3至少被 3 个页面引用
无业务逻辑组件内部不依赖特定业务数据
接口稳定通过 @Prop / @Link 暴露的接口稳定
自包含样式样式不依赖外部传入

3.3 组件命名规范

玄象项目组件命名遵循 功能描述 + 类型后缀 模式:

命名模式示例
形容词 + 名词GoldButton、GoldTitle
业务名 + 名词BottomTabBar、FiveElementBadge
形容词 + 业务名 + 名词GoldBorderCard

3.4 组件导出方式

// common/components/GoldButton.ets
@Component
export struct GoldButton {
  // ...
}

玄象项目组件统一使用 export struct 命名导出,便于 IDE 自动补全。

四、常量层:common/constants

4.1 常量层清单

common/constants/
├── Colors.ets       # 颜色常量
└── Styles.ets       # 样式常量

4.2 常量层规范

玄象项目常量层规范:

  1. 纯定义,无逻辑:常量类不应包含方法。
  2. static readonly:所有常量用 static readonly 修饰。
  3. 类型显式标注:所有常量显式标注类型。

4.3 常量层扩展规划

玄象项目未来可扩展以下常量文件:

common/constants/
├── Colors.ets          # 颜色
├── Styles.ets          # 样式
├── Typography.ets      # 字体规范
├── Motion.ets          # 动画时长与曲线
├── ZIndex.ets          # 层级 z-index
└── Dimensions.ets      # 屏幕尺寸与响应式断点

五、工具层:common/utils

5.1 五大工具类

玄象项目 common/utils/ 包含 5 个核心工具类:

工具类文件职责
LunarCalendarLunarCalendar.ets农历计算、节气推算、干支推算
MansionDataMansionData.ets二十八宿数据与查询
HexagramDataHexagramData.ets六十四卦数据与纳甲
HeavenlyStemsHeavenlyStems.ets天干地支与五行归属
SolarTermsSolarTerms.ets节气时刻表与节令计算

5.2 工具类设计原则

玄象项目工具类设计原则:

  1. 静态方法为主:无需实例化,如 LunarCalendar.getSolarTerm()。
  2. 纯函数:相同输入永远产生相同输出,无副作用。
  3. 无 UI 依赖:工具类不引用 ArkUI 组件。
  4. 可独立测试:工具类应可在单元测试中独立测试。

5.3 工具类典型实现

// common/utils/HeavenlyStems.ets
export class HeavenlyStems {
  static readonly STEMS: string[] = ['甲', '乙', '丙', '丁', '戊', '己', '庚', '辛', '壬', '癸'];
  static readonly BRANCHES: string[] = ['子', '丑', '寅', '卯', '辰', '巳', '午', '未', '申', '酉', '戌', '亥'];

  static getStem(index: number): string {
    return HeavenlyStems.STEMS[index % 10];
  }

  static getBranch(index: number): string {
    return HeavenlyStems.BRANCHES[index % 12];
  }

  static getFiveElement(stem: string): string {
    const map: Record<string, string> = {
      '甲': '木', '乙': '木',
      '丙': '火', '丁': '火',
      '戊': '土', '己': '土',
      '庚': '金', '辛': '金',
      '壬': '水', '癸': '水'
    };
    return map[stem] || '';
  }
}

5.4 工具类测试覆盖

玄象项目工具类应有完整的单元测试覆盖:

describe('HeavenlyStemsTest', () => {
  it('should return correct stem', 0, () => {
    expect(HeavenlyStems.getStem(0)).assertEqual('甲');
    expect(HeavenlyStems.getStem(9)).assertEqual('癸');
  });

  it('should return correct five element', 0, () => {
    expect(HeavenlyStems.getFiveElement('甲')).assertEqual('木');
    expect(HeavenlyStems.getFiveElement('丙')).assertEqual('火');
  });
});

六、页面层:pages

6.1 页面层组织方式

玄象项目页面层采用 按功能模块分目录 的组织方式:

pages/
├── Index.ets                  # 路由根
├── SplashPage.ets             # 启动页(直接放在 pages 下)
├── HomePage.ets               # 首页(直接放在 pages 下)
└── mansion/                   # 星宿模块所有页面
    ├── MansionListPage.ets
    ├── MansionDetailPage.ets
    └── StarTerritoryPage.ets

6.2 页面命名规范

玄象项目页面命名遵循 功能名 + Page 后缀 模式:

命名含义
MansionListPage星宿列表页
MansionDetailPage星宿详情页
StarTerritoryPage星野分野页
AiNamingPageAI 取名页
AiAssistantPageAI 助手页

提示:页面命名避免缩写,使用完整单词便于理解。

6.3 功能模块目录规划

玄象项目按功能模块划分目录:

目录模块页面数
mansion/二十八星宿3
yijing/周易易学4
mingli/八字命理3
fengshui/风水罗盘5
astronomy/天文历法4
music/乐律1
geography/地理九州1
naming/AI 取名2
assistant/AI 助手1
stems/天干地支2
profile/用户中心2

6.4 页面级组件 vs 公共组件

玄象项目对组件的划分原则:

类型位置复用度
公共组件common/components/≥ 3 个页面
页面级组件页面内部 @Builder单页面使用
// 页面级组件:在 HomePage 内部定义为 @Builder
@Builder
TodayHeavenCard() {
  // ...
}

@Builder
BottomNavBar() {
  // ...
}

七、路由根层:Index.ets

7.1 Index.ets 的特殊性

玄象项目 Index.ets 是应用路由根,特殊性在于:

  1. 必须注册到路由表:pages/Index 必须出现在 main_pages.json。
  2. 必须用 @Entry 标注:作为应用启动后第一个加载的页面。
  3. 必须返回 Navigation 容器:作为应用路由根的容器。

7.2 Index.ets 与其他页面的关系

应用启动
   ↓
EntryAbility.onWindowStageCreate
   ↓
loadContent('pages/Index')
   ↓
Index.ets 渲染 Navigation 容器
   ↓
SplashPage 作为初始内容渲染
   ↓
3 秒后 router.replaceUrl 到 HomePage
   ↓
后续所有页面通过 router.pushUrl 跳转

八、跨层依赖规则

8.1 分层依赖关系

玄象项目六层架构的依赖关系遵循"单向依赖"原则:

Index.ets (路由根)
   ↓
pages/ (页面层)
   ↓
common/components/ (公共组件层)
   ↓
common/utils/ (工具层)
   ↓
common/constants/ (常量层)

8.2 依赖规则矩阵

依赖方 → 被依赖方允许说明
pages → common/components✓页面使用公共组件
pages → common/utils✓页面使用工具类
pages → common/constants✓页面使用常量
common/components → common/constants✓组件使用常量
common/components → common/utils✓组件使用工具类
common/utils → common/components✗工具类不应依赖组件
common/constants → common/utils✗常量不应依赖工具
pages → pages(跨模块)✗页面不应跨模块互相依赖

8.3 循环依赖的规避

玄象项目规避循环依赖的方法:

  1. 常量层无依赖:Colors.ets 不依赖任何其他文件。
  2. 工具层仅依赖常量:LunarCalendar.ets 仅依赖 Colors.ets。
  3. 组件层依赖常量与工具:不依赖页面。
  4. 页面层依赖一切:但不跨模块互相依赖。

提示:ArkTS 的 import 机制可能引发循环依赖问题。良好的分层架构能从源头避免循环依赖。

九、六层架构的演进路线

9.1 当前阶段:单模块架构

玄象项目当前所有代码位于 entry 模块,符合"小而美"的初始架构。

9.2 第二阶段:HSP 动态共享包

随着功能扩展,玄象项目可将部分功能拆分为 HSP(Harmony Shared Package):

xuanxiang_ohos_app/
├── entry/                    # 主入口模块
├── features/
│   ├── mansion/              # 星宿功能 HSP
│   ├── yijing/               # 周易功能 HSP
│   └── mingli/               # 命理功能 HSP
└── commons/                  # 公共代码 HAR

9.3 第三阶段:HAR 静态共享包

玄象项目若孵化出独立的小工具(如"每日宜忌"),可拆分为 HAR(Harmony Archive)静态共享包,发布到 OHPM 中心供其他应用复用。

9.4 演进决策矩阵

触发条件演进方向
团队规模扩大(≥ 5 人)按功能拆分 HSP
应用体积超过 100MB拆分动态加载 HSP
出现可独立复用的功能拆分为 HAR 发布
出现跨应用共享的需求发布到 OHPM

十、玄象项目目录约定最佳实践

10.1 命名总规范

玄象项目目录命名总规范:

  1. 目录名小写:mansion/ 而非 Mansion/。
  2. 文件名 PascalCase:MansionListPage.ets 而非 mansion_list_page.ets。
  3. 类名 PascalCase:HeavenlyStems 而非 heavenlyStems。
  4. 常量 UPPER_SNAKE_CASE:PRIMARY_GOLD 而非 primaryGold。
  5. 方法名 camelCase:getSolarTerm() 而非 GetSolarTerm()。

10.2 文件大小建议

玄象项目对单个 .ets 文件大小的建议:

文件类型建议行数超出处理
页面组件≤ 500 行拆分为多个 @Builder
公共组件≤ 300 行拆分子组件
工具类≤ 800 行按职责拆分为多个类
常量类≤ 200 行按主题拆分

10.3 import 顺序规范

玄象项目 import 顺序规范:

// 1. HarmonyOS 官方 Kit
import { router } from '@kit.ArkUI';
import { hilog } from '@kit.PerformanceAnalysisKit';

// 2. 三方库
import { describe, it } from '@ohos/hypium';

// 3. 项目内模块
import { Colors } from '../common/constants/Colors';
import { LunarCalendar } from '../common/utils/LunarCalendar';

总结

本篇以玄象项目 entry/src/main/ets/ 六层架构为蓝本,系统剖析了 HarmonyOS ArkTS 项目的目录约定与分层架构:从 Ability 层、公共组件层、常量层、工具层、页面层到路由根层的职责划分,到跨层依赖规则、循环依赖规避、演进路线规划。掌握这套六层架构方法论,能让您在面对任何规模的 HarmonyOS 项目时都能构建出清晰可维护的工程结构。

至此,第 1 篇章"项目架构与设计哲学"全部完成。下一篇将开启第 2 篇章:“启动体验:Splash 与动画”,从 《11 · SplashPage 全屏暗色背景与 Stack 层叠布局》 开始,带您深入玄象项目启动页的实现细节。

如果这篇文章对你有帮助,欢迎点赞👍、收藏⭐、关注🔔,你的支持是我持续创作的动力!


相关资源:

用Python实现四叉树(quad tree) import numpy as np #正方形类 class square: #lx、ly为左上角坐标(x对应行号,y对应列号),rx、ry为右下角坐标 def __init__(self,lx,ly,rx,ry): self.lx=lx self.ly=ly self.rx=rx self.ry=ry #检查该矩阵中是否满足条件 #参数:原矩阵,阈值 #返回值:布尔类型 def check(s 阅读详情

相关推荐

PLL锁相环基础知识(一)

本文介绍了锁相环(PLL)的核心组件及其工作原理,重点阐述了压控振荡器(VCO)的结构与调谐机制。VCO作为PLL的关键部分,通过变容二极管实现频率调谐,但易受温度、电压等因素影响稳定性。文章详细讲解了VCO的谐振电路原理、硅基集成方案,以及通过分频器和调制器实现的频率控制技术。特别分析了整数型和分数型N分频器的差异,指出高阶德尔塔-西格玛调制器可有效降低分数杂散。文章还探讨了预分频器的应用及其对频率分辨率的影响,揭示了PLL通过反馈环路实现频率锁定的基本原理。

weixin_49761275的博客 3041

鸿蒙 PC ArkUI 实战:任务看板的跨列拖放与键盘移动

桌面看板得允许人改主意:拖着卡片经过另一列,最后也可能把它放回原处。把“开始拖”和“任务状态已变”当成同一件事,会让取消操作尤其难处理。以下分别用鼠标投放和卡片上的移动入口,验证同一张任务卡怎样完成状态变更。拖动桌面看板上的任务时,松手的位置才决定任务应该去哪。如果在拖起时就从原列移除卡片,用户拖出窗口或放回原列后,还要额外处理恢复。本例用「待处理、进行中、已完成」三列展示五条模拟任务。宽窗用鼠标拖放,窄窗用标签切换列表,卡片上的移动按钮也支持键盘。

程序猿追的博客 137

LCD驱动芯片——BL55072A驱动程序

初始化子程序: START 0x7C; I2C子地址 0xEA;ICSET,软件复位芯片 0xC0;MODSET,关显示 0xF0;BLKCTL,关闪烁 0xA3;DISCTL,80Hz Line inversion,High Power mode 0xE8;ICSET,清复位bit1 STOP 显示刷新子程序: START 0x7C;I2C子地址 0xF0;BLKCTL,关闪烁 0xA3;DISCTL,80Hz Line inversion,High Power mode 0xE8或0xEC;ICSE

love421的博客 3177

Flutter 修复 desktop_drop 鸿蒙电脑自由窗口文件拖拽:让非原点窗口准确命中并读取附件

修复鸿蒙版 desktop_drop 插件在窗口下半区拖放无响应及文件读取失败问题,通过修正坐标换算(扣除标题栏高度)与路径转换(剥离 file:// 协议头),确保文件准确交付。经双窗口复现验证,修复后可稳定接收并读取同沙箱文件,完整代码已提交至 CPF-Flutter 仓库,支持社区交流与后续维护。

白天写代码,晚上追AI大模型,偶尔搞点八卦 开源动态|技术干货|实习机会|生态活动 我负责分享,你负责变强 7550

YOLO11涨点优化:loss优化 | 一种新的基于Wasserstein距离的小目标检测评估方法,助力小目标涨点

提出了一种新的基于Wasserstein距离的小目标检测评估方法,通过它们对应的高斯分布计算它们之间的相似性

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1021

SPMI总线协议(一)

系统电源管理接口( System Power Management Interface简称SPMI)是一种双线串行接口,用于连接片上系统(SoC)处理器系统的集成电源控制器(PC)与一个或多个电源管理集成电路(PMIC)电压调节系统。SPMI 使系统能够使用单个 SPMI 总线动态调整 SoC 内部电压域的电源和衬底偏置电压。移动设备和其他便携式设计正日益采用系SPMI)协议,实现多主多从系统,根据实时系统需求监测和动态控制供电电压。设计人员可以在系统级实现更低的功率。

qflook的博客 891

20 嵌入式系统架构:架构模式、实时操作系统、鸿蒙案例

嵌入式架构模式怎么选、RTOS 和通用操作系统差在哪、优先级反转怎么破?本篇把前后台、中断驱动、管态目态几种结构排成一条演进线,手把手算 RMS 可调度界限、判断任务集能不能跑得动,再把优先级继承与优先级天花板两种解法对上号,配鸿蒙案例讲清工程落地。

weixin_46316564的博客 235

2023华为od机试C卷【宽度最小的子矩阵】Python 实现

给定一个矩阵,包含N*M个整数,和一个包含K个整数的数组现在要求在这个矩阵中找一个宽度最小的子矩阵,要求子矩阵包含数组中所有的整数。

MISAYAONE的博客 2189

React Native 鸿蒙端侧 OCR 实战:TurboModule 与纯 TS 引擎的逐字契约

本文以鸿蒙真机上的 React Native 0.84 工程为例,详解三大难题:通过 TurboModule 接入 HarmonyOS Core Vision Kit 实现端侧离线 OCR;规避 Metro 预置头导致的 require 不存在问题;实现 npm 包与 HAR 双形态交付。项目采用 codegen 生成 ArkTS 接口,结合纯 TS 回退引擎,确保跨引擎逐字符一致,并通过 autolinking 支持无缝集成。

白天写代码,晚上追AI大模型,偶尔搞点八卦 开源动态|技术干货|实习机会|生态活动 我负责分享,你负责变强 124

组合导航 | RTK、IMU与激光雷达组合导航算法:原理、实现与验证

当激光雷达噪声增加至0.1m时,系统位置RMSE仅上升18%,验证了滤波算法的鲁棒性[110]:融合方案在RTK信号丢失30秒后,位置误差仍控制在1.5m内,显著优于IMU单独导航[28]:ESKF框架能有效建模传感器误差特性,状态向量需包含外参与时间偏移等关键参数。:传感器标定精度直接影响系统性能,建议每3个月进行一次重新标定。:IMU预积分与特征匹配是系统实时性的关键瓶颈,需重点优化。:维持10秒窗口内的关键帧,平衡精度与实时性[132]:特征匹配占总耗时的65%,可通过。

尘世冰封的专栏 953

MFC C++ 中开发 PLC 通信客户端

OPC UA | 工业标准化通信 | `open62541`(开源OPC UA库)或 `UA-.NET` 封装 | 跨平台、安全可靠,支持复杂数据类型 |- 连接句柄(`modbus_t*`/`UA_Client*`/`TS7Client*`)不可跨线程共享,需为每个线程创建独立连接。Modbus 是工业常用协议,分 **RTU**(串口)和 **TCP**(以太网)两种模式,以下以 Modbus TCP 为例。s=Tag`),复杂类型需解析扩展对象。

寒寒豆豆软件公司的博客 140

Flutter 修复 audio_waveforms 鸿蒙波形提取句柄与内存驻留:多段语音备忘录预览与切歌释放

修复 Flutter 鸿蒙版 audio_waveforms 库在语音备忘录连续预览与切歌时的资源泄漏问题,补全文件关闭、提取取消与播放器释放逻辑,通过两段式 Worker 停止机制与零字节 EOS 处理,实现 144 轮切换无句柄残留、内存稳定。修复版已提交至 CPF-Flutter/fluttertpc_audio_waveforms,支持鸿蒙系统高效波形提取与资源管理。

白天写代码,晚上追AI大模型,偶尔搞点八卦 开源动态|技术干货|实习机会|生态活动 我负责分享,你负责变强 7253

RH850从0搭建Autosar开发环境【2X】- Davinci Configurator之EcuC模块配置详解(上)

RH850从0搭建Autosar开发环境【2X】- Davinci Configurator之EcuC模块配置详解(上)

weixin_42412049的博客 1536

鸿蒙 PC 桌面端应用上架实战:图匠流程图编辑器从上游 draw.io 发行包到 AGC 过审的 SIGABRT 收敛之路

鸿蒙 PC 桌面端应用上架实战:图匠流程图编辑器从上游 draw.io 发行包到 AGC 过审的 SIGABRT 收敛之路

wei_shuo的博客 1万+

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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")

RN鸿蒙空间音频实战

示例仓库:https://atomgit.com/m0_37170006/react-native-ohos-spatial-audio 社区导引:框架源码与版本发布见 https://atomgit.com/CPF-RN/ohos_react_native/tree/0.84-main CPF-RN 鸿蒙社区:https://atomgit.com/CPF-rn。

buhuisuanfa的博客 2万+

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

HarmonyOS PC 端适配实战:断点、分栏与键鼠交互

本文详解鸿蒙HarmonyOS在PC端的适配核心:以断点系统按窗口宽度(sm/md/lg)动态布局,结合GridRow与Navigation实现响应式分栏;重点强调键鼠交互(焦点、hover、右键、快捷键、滚轮)占七成工作量;通过交互模式抽象统一触屏与鼠标逻辑;强制声明最小窗口尺寸并自测小窗口场景;最终以“列表+详情”真实案例展示数据层一致、展示层双态的适配策略。

信息安全领域优质创作者|操作系统领域专家 248

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

鸿蒙沉浸光感开发适配

设备材质档位:EXQUISITE(精致,全光效,高性能设备)、GENTLE(均衡,默认)、SMOOTH(轻量,仅基础效果,低算力设备)、ADAPTIVE(自适应,系统自动识别算力选档,业务首选);用户系统设置三档(强/均衡默认/弱):本质是对透明度、反色率、折射强度的精细调控。用户的三档偏好由系统底层自动映射到渲染参数,应用只需一次定义材质,界面就会随用户设置平滑过渡,完全不需要针对三档分别写适配。

qq_63223749的博客 486

开源鸿蒙三方库适配实践:把 jsonrepair 搬到 ArkTS,端侧修好大模型吐出的坏 JSON

本文介绍了将 jsonrepair 移植至鸿蒙 ArkTS 严格模式的实践,解决大模型输出 JSON 格式错误问题。通过重构语法、优化性能,实现毫秒级修复(1MB 文本从 17.7 秒降至 127 毫秒),支持边流边修,界面实时渲染结构树。修复库已开源,提供 HAP 示范应用与完整测试验证,适用于端侧结构化输出场景。

LucianaiB的博客 991

操作系统安全体系能到哪一步?卓伊凡:服务端看认证,Ubuntu看默认,欧拉看体系,鸿蒙是另一条路

操作系统安全体系当前已实现分层保障:内核级强制访问控制(如SELinux、AppArmor)、默认攻击面收窄、密码学加密与制度化测评构成四重防线。在官方测评中,华为欧拉V3、阿里云服务器等三款系统达Ⅰ级安全可靠标准,鸿蒙桌面则首获Ⅱ级认证。Ubuntu高版本默认安全工程化出色,但加固也可能引入新漏洞。欧拉与鸿蒙技术路线不同——前者为服务端Linux加固体系,后者为终端微内核+形式化验证架构,二者可协同构建“端云安全”,但不可混为一谈。安全本质是相对的,需结合场景、运维能力与测评体系理性选型。

一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8 202

【鸿蒙心迹】应用沙箱与文件管理——fs 接口与安全路径实战(HarmonyOS 7.x)

文件写到哪了?为什么读不到?跨应用分享文件怎么传?——应用沙箱隔离让文件操作和传统 OS 不同。本文用图片缓存/文档导出/跨应用分享为案例,讲清沙箱目录结构、fs 接口、FileUri 权限,附 5 个踩坑。

腾讯云创作之星、华为云云享专家,深耕电商全栈高并发系统实战,分享可商用商城项目源码。 700

Flutter 适配鸿蒙手表屏幕形状:让计时卡片按圆屏和方屏布局

本文基于 wear_plus 1.2.4 版本,为鸿蒙系统补全屏幕形状查询功能,使 WatchShape 能正确返回 round 等形状信息。通过在原 Dart 接口不变的前提下,新增鸿蒙平台处理器,实现与 Android 一致的异步查询逻辑。对照实验验证:适配后页面可从“查询未接入”变为“圆屏已确认”,日志成功接收系统回执,布局行为保持一致。完整代码开源至 oh-flutter/wear_plus,支持 Flutter 鸿蒙穿戴设备开发。

白天写代码,晚上追AI大模型,偶尔搞点八卦 开源动态|技术干货|实习机会|生态活动 我负责分享,你负责变强 3万+

HarmonyOS 分布式深度:跨端迁移、数据对象与多设备协同

本文深入解析鸿蒙分布式能力实战,聚焦跨端迁移、协同与共享三大形态,详解权限配置、设备发现、onContinue状态管理及分布式数据对象、KV同步机制。强调“先分清场景”“前置条件必全”“数据需重验”,揭示迁移失败、同步失效等七大常见坑,指导开发者规避陷阱,实现真实可用的多设备协同。

信息安全领域优质创作者|操作系统领域专家 152

开源鸿蒙跨平台直播|Compose 入门:从基础组件到鸿蒙原生互通

用 Compose 写一个界面,改完状态,页面却没有跟着刷新;想在 Compose 页面里嵌一个 ArkUI 原生组件,边界又该划在哪里?当滚动、安全区、输入法和资源访问都要落到鸿蒙上,这些系统能力怎样接进来?开源鸿蒙跨平台系列直播第 22 期面向刚接触 Compose 的开发者,用一个逐步完善的示例应用讲清声明式 UI 的基本写法。

白天写代码,晚上追AI大模型,偶尔搞点八卦 开源动态|技术干货|实习机会|生态活动 我负责分享,你负责变强 201

鸿蒙 ArkWeb 踩坑方法论:Chrome 能跑 ≠ 装机能跑(CDP 取证 + 像素验证三通道)

本文不讲单个 bug,而是沉淀一套在鸿蒙 ArkWeb 上可复用的**取证方法论**。先用四个"Chrome 全绿、装机翻车"的真实案例说明为什么浏览器背书无效(keymap 优先级、CSS 层叠压制、DOM 克隆的 CSSOM、渲染中间帧);再给出**取证三通道**——hilog 实时日志、CDP 求值、像素验证,分别回答"事件到没到""DOM/样式真实值是什么""屏幕上到底显示了什么";随后是四条用翻车换来的铁律(先破缓存、Chrome/jsdom 不能背书按键分发、合成事件读数不作结论、灵异现象先怀疑

Sunny,科班出身(计算机本科),但毕业后做解决方案工程师——聊需求、写方案、做交付,代码多年不碰,使用AI做开发,记录真实开发过程 329

跨端 RN 鸿蒙碰一碰分享库实战:基于 Share Kit 封装 react-native-ohos-knock-share,实现卡片、文件一碰传

本文介绍基于React Native的鸿蒙碰一碰分享库,解决RN开发者在鸿蒙生态中无法便捷使用Share Kit碰一碰功能的痛点。通过封装NFC/星闪触碰、3秒发送窗口、沙箱文件URI转换等核心逻辑,实现跨设备快速传递链接、文件、图片等内容。支持手机、平板、PC多端适配,提供回环演示与真机实测验证,显著降低接入门槛,提升跨端协作效率。

白天写代码,晚上追AI大模型,偶尔搞点八卦 开源动态|技术干货|实习机会|生态活动 我负责分享,你负责变强 205

HarmonyOS 7 新特性14:音频编创深潜——12节点格式契约、7链时延表与EQ不设参引发的系统库崩溃

本文深度剖析HarmonyOS 7音频编创系统中12类节点的格式契约与链式处理机制,揭示因未设置均衡器增益参数导致系统库崩溃的核心问题。通过7条链路实测,验证降噪节点引入约3秒延迟,音源分离首测成功(耗时14.6秒),并发现格式契约存在软约束(如降噪输出强制16k/1ch但系统静默容忍错误配置)。研究确认:节点格式由链尾决定,需动态查表配置;均衡器等节点必须调用参数接口初始化缓冲,否则触发不可捕获的SIGSEGV。

轻口味的专栏 1万+
上一篇: HarmonyOS应用《玄象》开发实战:build-profile.json5 与 hvigor 构建链路剖析
下一篇: HarmonyOS应用《玄象》开发实战:风水报告页的 PDF 导出思路与 @ohos.file.fs 落地路径
echohelloworld11
博客等级 码龄1年 3粉丝 53原创
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
 
 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