flash小技巧备忘

前言:flash小技巧备忘

======================================================================================

卸载拖入舞台的MC
我们知道只有动态创建的mc才可以使用removeMovieClip()方法来卸载,帮助中对removeMovieClip方法的说明如下:
Quote 
删除用 duplicateMovieClip()、MovieClip.duplicateMovieClip() 或
MovieClip.attachMovie() 创建的影片剪辑实例。
下面的技巧可以让我们随心所欲的卸载你需要的MC,即使是你拖入舞台的组件等。

1 : My_mc.swapDepths(100);//把mc的深度值设定为大于0的值
2 : My_mc.removeMovieClip();//这样就可以正常卸载mc了
是不是很有用哦。
PS:使用my_mc.unloadMovie() 以可以删除mc实例,但是却保留了实例属性和剪辑处理函数。用removeMovieClip() 可以删除实例(包括其属性和剪辑处理函数)。


TextFormat.URL
很多人都知道使用textField.htmlText来写超文本的方式,可是似乎很少人知道其实我们还可以使用TextFormat.URL来定义。

1 : myFormat = new TextFormat();
2 : myFormat.url = http://www.google.cn;
3 : my_txt.html = true; //这是必须的 
4 : my_txt.htmlText = "kaikai";
5 : my_txt.setTextFormat(myFormat); 


鼠标光标
多数情况下,需要用到鼠标光标在主场景中的位置,所以可以使用_root._xmouse和_root._ymouse表示。
    onClipEvent (enterFrame) {
      _x = _root._xmouse;
      _y = _root._ymouse;
      }//让影片剪辑和鼠标保持相同坐标


将矩形影片剪辑作为遮罩图形
  在矩形影片剪辑的动作面板中添加如下ActionScript:
        onClipEvent (load) {
        xs = _width;
        ys = _height;
        }
        onClipEvent (enterFrame) {
        _xscale = 100*(_root._xmouse-_x)/(xs/2);
        _yscale = 100*(_root._ymouse-_y)/(ys/2);
        }
      在load事件中,用变量xs和ys取得影片剪辑初始状态下的宽度和高度值。在enterFrame事件中,计算鼠标位置与矩形影片剪辑中心     的距离,算出它与矩形宽度和高度值的比值,然后作为_xscale和_yscale的值。该动画实现移动鼠标位置以改变遮罩效果


鼠标双击问题! 
lsn_DbClick = new Object(); 
lsn_key = new Object(); 
lsn_DbClick.onMouseDown = function() { 
clickTime = getTimer(); 
if (clickTime-lastClickTime<=300) { 
trace("双击了鼠标"); 
} 
lastClickTime = clickTime; 
}; 
Mouse.addListener(lsn_DbClick); 
time = getTimer()-down_time; 
if (time<300) { 
//双击后的代码部分 
} 
down_time = getTimer(); 
怎样在从另一个swf中获取变量 
          
loadMovieNum("vars.swf", 1["POST"]); 
_root.onEnterFrame = function() { 
trace(_level1.myvab); 
}; 
//当加载完毕后,输出就有值了... 
        

鼠标右键及滚轮的代码


            if Key.isDown(2){},(左键的代码是1) 
        
        左键:Key.isToggled(1) 
        右键:Key.isToggled(2) 
        滚轮:Key.isToggled(4) 
        滚轮1:Key.isToggled(4) PC机上用 
        滚轮2:Key.isToggled(3) MAC机上用 
        未知:Key.isToggled(3) 
  this.onEnterFrame = function() { 
  if (Key.isDown(2)){ 
  trace("asdfjsdjkf"); 
  } 
  } 


显示帧速
function get_fps() {
    var a = this.createEmptyMovieClip("fps_show", 100000);
    a.createTextField("fps_text", 0, 0, 0, 16, 18);
    a.fps_text.background = true;
    a._fps = 0;
    a.oldtim = getTimer();
    a.onEnterFrame = function () {
        this._fps = Math.round(1000 / (getTimer() - this.oldtim));
        this.oldtim = getTimer();
        this.fps_text.text = this._fps;
    };
}
get_fps();

显示时间
function get_time() {
var a = this.createEmptyMovieClip("time_show", 200412);
a.createTextField("time_text", 0, 0, 0, 140, 18);
    a.time_text.background=true;
a.onEnterFrame = function () {
this.time_text.text = new Date().getFullYear()+"年"+new Date().getMonth()+"月"+new Date().getDay()+"日"+new Date().getHours()+":"+new Date().getMinutes()+":"+new Date().getSeconds();
};
}
get_time();

将十进制数N转换成d进制:N=(N div d)*d + N mod d
function jh_conversion(N, d) {
    var s = [], e="";
    while (N>0) {
        s.push(N%d);
        N = Math.floor(N/d);
    }
    while (s.length>0) {
        e += s.pop();
    }
    trace(e);
    return e;
}

AS填充,并获得填充区点阵
function get_fill(mc){
    var s_j=mc._x;
    var e_j=mc._x+mc._width;
    var s_i=mc._y;
    var e_i=mc._y+mc._height;
    //
    var a=mc.createEmptyMovieClip("fill",1);
    var fill_data=[];
    for(var i=0;i<100;i++){
        fill_data[i]=[];
        for(var j=0;j<25;j++){
            if(mc.hitTest(i,j,true)){
                a.lineStyle(1,random(0xffffff));
                a.moveTo(i,j);
                a.lineTo(i+.5,j);
                fill_data[i][j]=1;
            }else{
                fill_data[i][j]=0;
            }
        }
    }
    for(var i in fill_data){
        fill_data[i]=fill_data[i].join("");
    }
    fill_data=fill_data.join(",");
    trace(fill_data);
    return fill_data;
}

简单代码实现MC与鼠标成反向移动
onEnterFrame = function(){
    a._x+=(270-_xmouse)*.01;
    }

鸿蒙系统与DeepSeek-V4深度耦合:端云一体AI落地实战指南 大模型终端部署正从‘能跑’迈向‘稳跑、快跑、智跑’——其核心在于操作系统与AI模型在系统调度、内存管理与异构计算层面的原生协同。鸿蒙微内核对ModelExecutor的服务化抽象、昇腾NPU与HDF驱动栈的零拷贝对接、以及端云动态卸载决策机制,共同构建了支持百万Token长上下文、毫秒级流式推理、跨设备语义连续的新型AI执行环境。这种深度耦合显著提升了本地LLM在资源受限终端的存活率与实时性,为离线会议纪要、工业巡检Agent、车载多模态交互等场景提供了开箱即用的技术底座。DeepSeek-V4与华为鸿蒙系 阅读详情

相关推荐

基于NodeMCU+Blynk+IFTTT的低成本家庭语音控制实战

语音控制是智能家居落地的关键入口,其本质是将自然语言指令转化为设备可执行的HTTP/HTTPS请求。该方案聚焦轻量级自动化(Automation)实现原理:利用ESP8266硬件低功耗特性,通过Blynk Cloud完成设备连接与状态管理,再经IFTTT桥接Google Assistant语音意图,形成端到端可控、可调、可审计的标准化控制链路。技术价值在于规避复杂协议(如MQTT/WebSockets)、免SDK开发与审核,大幅降低工程门槛;典型应用场景包括老人友好型家电开关、多设备渐进扩展及安全合规的22

weixin_30896511的博客 413

Gemini 3.5 Flash与Android智能体中枢技术解析

大语言模型(LLM)在端侧的高效部署,依赖于模型压缩、动态计算图优化与设备端缓存管理等核心技术;其原理在于通过权重精度动态降级、运行时计算图剪枝和KV缓存分片,在保障语义完整性前提下显著降低算力与内存开销;该技术路径不仅提升推理速度与能效比,更推动操作系统从通用平台向AI能力调度中枢演进;典型应用场景包括系统级智能助手、跨App意图路由、结构化Agent服务调用等;本文聚焦Gemini 3.5 Flash模型压缩机制与Android 15智能体中枢架构的深度协同,解析其在Android Studio开发链路

weixin_33768481的博客 531

Codex代码生成模型的5大工程瓶颈与实战解法

代码生成模型并非通用语言模型的简单延伸,其核心在于将自然语言意图可靠地映射为可执行、可编译、可维护的程序代码。这一过程受制于编程语言理解的深层机制——从token粒度失配、AST结构缺失,到训练数据偏差与上下文长度限制等系统性约束。OpenAI Codex的实践表明,仅靠扩大参数量或增加代码数据远不足以突破瓶颈;真正决定效果的是对代码语义一致性、API设计约束等工程要素的显式建模。本文聚焦真实落地场景中的典型故障模式,解析如何通过AST增强、对比学习对齐、项目级上下文注入等方法,在有限算力下提升生成可靠性,

搜索 515

GLM-4.7-Flash基础教程:WebUI中system prompt修改与角色设定持久化

本文介绍了如何在星图GPU平台上自动化部署GLM-4.7-Flash镜像,实现大语言模型的角色设定持久化与system prompt定制。用户可通过WebUI快速配置电商运营、技术写作等专业人设,广泛应用于智能客服响应、多轮业务对话及个性化文案生成等典型场景。

weixin_30021053的博客 409

普通人AI落地指南:从指令设计到模型选型实战

大语言模型不是万能搜索引擎,而是可调教的信息协作者,其核心价值在于结构化重组、精准转译与上下文保真。理解ChatGPT、Gemini、Claude和DS四类模型的本质分工,远比纠结‘谁更聪明’更重要——它们分别擅长多轮对话润色、中文长文本摘要、法律合同校对与中文技术文档解析。充会员的关键决策依据是任务是否依赖完整信息、即时验证与流程闭环,而非单纯追求速度。真正决定AI效能的,是用户将模糊需求转化为‘角色-任务-约束’三要素指令的能力,这直接关联输出可用率与返工成本。本文聚焦普通人高频场景,提供可即用的模型匹

345

2026大模型本地部署全攻略:显卡选型、模型匹配与一键部署实战

大模型本地部署已从极客实验走向工程刚需,其本质是算力、数据安全与任务适配的系统工程。理解GPU显存带宽与量化精度的协同关系、推理框架(如vLLM/Ollama)对CUDA架构的依赖、以及模型能力边界(如Qwen2中文强项 vs DeepSeek-V2代码专精),是避免‘能跑’但‘跑不稳’‘跑不快’的关键。技术价值在于实现低延迟、高可控、数据不出域的AI服务;典型场景涵盖私有RAG知识库搭建、ComfyUI多模态工作流、Dify低代码AI应用开发及音高检测等垂直任务。本文聚焦2026年真实硬件环境(RTX 4

weixin_30887919的博客 1399

XSS攻击绕过过滤方法大全(转)

XSS攻击绕过过滤方法大全(约100种) 虽然说很多网站为了避免XSS的攻击,对用户的输入都采取了过滤,但是,万事总有可能,只要有一定的条件,我们就可以构造经过编码后的语句来进行XSS注入。 这篇文章的主要目的是给专业安全测试人员提供一份跨站脚本漏洞检测指南。文章的初始内容是由RSnake提供给 OWASP,内容基于他的XSS备忘录,现在此XSS备忘录将由OWASP维护和完善它。 OWASP 的第一个防御备忘录项目:XSS (Cross Site Scripting)Prevention Cheat She

mingyqf的博客 2万+

上海创客周活动指南:从Arduino到ROS2的实战进阶与避坑

开源硬件与机器人操作系统是当前嵌入式开发和智能机器人领域的核心基础技术。开源硬件平台如Arduino和树莓派,通过提供标准化的硬件模块和易用的开发环境,降低了电子原型开发的入门门槛,其原理在于将复杂的底层硬件操作封装为简单的函数调用。机器人操作系统(如ROS/ROS2)则定义了机器人软件的标准通信架构(如节点、话题、服务),实现了传感器、决策、控制等模块的解耦与协同,其技术价值在于大幅提升了机器人软件的复用性和开发效率。这些技术正广泛应用于智能小车、工业自动化、服务机器人等场景。本文以上海创客社区的近期活动

weixin_34245082的博客 481

XSS Filter Evasion Cheat Sheet 中文版

XSS Filter Evasion Cheat Sheet 中文版 老道 · 2014/05/13 14:56 前言 译者注: 翻译本文的最初原因是当我自己看到这篇文章后,觉得它是非常有价值。但是这么著名的一个备忘录却一直没有人把它翻译成中文版。很多人仅仅是简单的把文中的各种代码复制下来,然后看起来很刁的发在各种论坛上,不过你要真去认真研读这些代码,就会完全不知所云...

weixin_30586257的博客 292

Qwen与Llama选型避坑指南:任务-模型-部署铁三角决策法

开源大模型选型本质是工程约束下的技术适配问题。理解Qwen和Llama的核心差异,需从基础概念切入:二者同属Transformer架构的因果语言模型,但训练目标、语料分布与设计哲学迥异——Qwen聚焦中文长文本语义连贯与政企合规,Llama强调英文生态通用性与研究可扩展性。其技术价值不在于参数大小或榜单分数,而在于推理延迟、量化兼容性、许可证自由度等真实部署指标。典型应用场景包括智能客服(低延迟指令遵循)、财报分析(高精度中文理解)、代码生成(代码语料密度)及信创环境落地(Apache 2.0 vs Met

weixin_33670713的博客 408

N32WB031 BLE MCU工程化开发套件深度解析

BLE MCU是实现低功耗蓝牙智能硬件的核心载体,其本质是集射频收发、协议栈处理与主控运算于一体的系统级芯片。理解其双核架构(如Cortex-M4F+M0+)协同原理、射频匹配网络设计逻辑及Bootloader安全机制,对保障量产稳定性至关重要。技术价值在于降低BOM成本、提升EMI鲁棒性并支持工业级温宽运行;典型应用场景涵盖电动工具远程配置、医疗设备无线通信及IoT终端OTA升级。本文围绕国民技术N32WB031芯片及其DK开发套件源码,深入剖析射频电路设计、双Bank OTA实现与GATT服务动态注册等

weixin_29185167的博客 269

2026年语音识别趋势入门必看:Fun-ASR开源模型实战指南

本文介绍了如何在星图GPU平台上自动化部署Fun-ASR钉钉联合通义推出的语音识别大模型语音识别系统(构建by科哥)。该平台简化了部署流程,用户可快速搭建本地化语音识别工作站,并将其核心应用于会议录音、采访素材等音频文件的批量转写与文字整理,显著提升内容处理效率。

weixin_35756130的博客 480

STM32录音机设计全解析:从音频采集到WAV文件落盘的完整过程

音频采集与存储是嵌入式系统的重要应用场景。掌握I2S总线与DMA数据传输机制,是理解数字音频链路的关键。音频编解码芯片将模拟信号转为PCM数据,经I2S接口送入MCU,再由DMA自动搬运至内存,最终封装为WAV文件写入SD卡。这一过程涉及采样率、位深、缓冲区设计、文件系统等核心技术。本文以STM32F407与WM8978为例,详细拆解录音机设计的完整流程,包括硬件选型、接线要点、CubeMX配置、状态机实现及常见坑点,适合嵌入式学习者与DIY爱好者参考。

weixin_34405557的博客 438

机器学习论文阅读四象限法:从PDF到可运行代码

机器学习论文不是知识教科书,而是面向工程落地的技术路线图。其核心原理在于结构化信息分布——问题定义、模型骨架、实验验证与代码接口高度解耦,且90%关键信息浓缩于Figure、Algorithm和表格中。这种设计赋予论文极强的逆向工程价值:通过定位问题边界、提取数据流骨架、交叉验证实验结果、对接开源实现,开发者能以20%时间获取80%决策依据。该方法特别适配CV/NLP/RL等主流方向的顶会论文,显著降低复现门槛,并支撑从模仿到创新的跃迁。本文即基于ICLR/NeurIPS最新实践,系统拆解这套可立即上手的论

weixin_30457551的博客 434

从Jira到Notion:用Sequential Thinking重构你的敏捷工作流(含GPT-6配置模板)

本文探讨了如何利用Sequential Thinking这一AI认知模型,重构敏捷开发工作流。通过连接Jira、Notion等工具,构建动态依赖图谱,实现从被动响应到主动规划的转变。文章提供了详细的配置教程和GPT-6配置模板,帮助团队实现任务自动拆解、智能看板生成与跨平台协调,从而提升项目管理效率。

gpt4scribbler的博客 205

逆向拆解dy接口a_bogus 1.0.1.19版本核心算法(纯算版)第二部分

本文深入解析了dy接口a_bogus 1.0.1.19版本的核心算法,重点介绍了逆向分析的基础方法论、魔改Base64编码识别与还原、随机数生成与位运算解析等关键技术。通过详细的代码示例和实用技巧,帮助开发者掌握逆向工程中的关键步骤,特别是针对a_bogus参数的生成逻辑和混淆处理。

weixin_29288313的博客 408

GPT工程实战指南:自回归架构、KV缓存与推理优化深度解析

大语言模型(LLM)的工业落地核心在于理解其底层生成机制——自回归语言建模不仅是训练目标,更决定了推理效率、内存占用与系统稳定性。从Transformer的注意力计算原理出发,GPT系列通过纯自回归范式实现流式生成与KV缓存复用,显著降低延迟与显存压力;而位置编码(如RoPE)、上下文窗口扩展、FlashAttention等技术,则直接关联长文本处理能力与服务吞吐。在真实NLP工程中,这些设计选择深刻影响微调策略、API响应速度及OOM风险。本文聚焦GPT在生产环境中的关键决策点:如何选型、调参、防崩与优化

Dendy之Java小屋 427

深度学习与神经网络有什么区别

人工神经网络(ArtificialNeuralNetwork,即ANN)是从信息处理角度对人脑神经元网络进行抽象,是20世纪80年代以来人工智能领域兴起的研究热点,其本质是一种运算模型,由大量的节点(或称神经元)之间相互联接构成,在模式识别、智能机器人、自动控制、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题,表现出了良好的智能特性。...

super67269的博客 8488

蓝牙Beacon硬件认证实战:FCC/CE/IC流程与天线匹配要点

蓝牙低功耗(BLE)技术作为物联网感知层的核心通信方式,正广泛用于室内定位、零售近场推送与资产管理等场景。Beacon设备通过周期性广播数据包实现“靠近即触发”的交互,其设计核心在于低功耗、天线形态与射频参数的协同优化。然而,无线设备进入北美与欧洲市场,必须通过FCC、CE及IC等强制认证,认证不仅考核发射功率、频谱掩膜与杂散辐射,更要求硬件从选型起就兼顾合规。天线匹配与外壳材质会直接影响谐振频率,预测试、整改与量产一致性控制则是产品成熟度的关键。本文从BLE基础原理切入,结合工程实践,系统拆解蓝牙Beac

weixin_33829657的博客 339

内存泄漏系列专题分析之二十一:高通相机CamX内存泄漏&内存占用分析--GPU内存拆解

通过上述debug方式,可以看到patch补丁可以顺利debug各种ION内存分布,可以通过它分析ION内存占用问题。同时我们还可以分析GPU内存泄漏问题,同样的方式可以看到所有的GPU内存分布,如果某个GPU内存持续增长,就极有可能内存泄漏,然后更具堆栈信息去分析代码,并解决GPU内存泄漏问题。!!

454

计算机应用数学--第一次作业

中科大 计算机应用数学 第一次作业

一杯水果茶!足矣~ 1329

STM32N6570-DK NPU推理HardFault排查与修复实战

在嵌入式AI部署中,NPU推理时的总线错误与HardFault是常见难题。对于基于Cortex-M55与Neural-ART NPU的STM32N6570-DK,当STEdgeAI生成的模型在运行时触发 HardFault,往往并非普通C语言逻辑错误,而是内存访问权限、缓存一致性或链接脚本布局等底层问题。通过解读fault状态寄存器与__LL_ATON_RT_IrqErr、BUSIF_1等ATON错误标志,可以精准定位总线拒绝访问的根因。本文从系统总线拓扑和TrustZone安全机制出发,结合内存分区、Ca

weixin_30709061的博客 441

YOLOv11改进 | 网络结构代码逐行解析(一) | 项目目录构造分析

Hello,大家好这次给大家带来的不是改进,是整个YOLOv11项目的分析整个系列大概会更新5-7篇左右的文章从项目的目录到每一个功能代码的都会进行详细的讲解,下面开始进行YOLOv11逐行解析的第一篇——项目目录构造分析开头之前顺便给大家推荐一下我的专栏,本专栏更新上百余篇YOLOv11改进机制手把手教你添加到网络结构中,同时针对拿到模型不知道如何修改,不知道如何发表论文的读者进行针对性的文章介绍,本专栏质量分平均分96分,内容质量完全有所保证。

Snu77的博客 1万+

x86架构树莓派兼容板实测:Intel Cherry Trail性能、安装与避坑指南

x86架构是桌面与服务器领域的主流,拥有海量软件生态,但在嵌入式开发板领域,ARM架构长期占据主导。当开发者需要在低功耗设备上运行Windows程序或需要完整x86指令集兼容性时,传统ARM开发板往往力不从心。基于Intel Cherry Trail平台的x86开发板应运而生,这类板卡以接近树莓派的尺寸与引脚定义,集成四核Atom处理器,支持Windows 10、Linux与Android多系统,为边缘计算、工业控制、家庭服务器等场景提供了独特方案。本文以一款采用Atom x5-Z8300的树莓派兼容板为例

weixin_30345577的博客 459

Linux加密框架中的算法和算法模式(1)——算法介绍

算法和算法模式

yangguoyu8023的博客 2032

【RT-DETR涨点改进】全网独家-特征融合改进篇 | AAAI 2025 顶会| 高效涨点,RT-DETR利用CDFA对比度特征聚合模块,适用于目标检查(全网独家创新)

本文提出了一种基于CDFA模块的多级特征融合优化RT-DETR模型,用于解决医学图像分割中的软边界模糊、小目标和共现现象等问题。CDFA模块通过对比度特征聚合、局部特征增强和多级注意力机制,有效提升模型性能。研究提供了三种改进方案(rtdetr-r18/y50/l-CDFA),并在多个医学数据集上验证了其有效性。核心创新包括语义信息解耦、对比驱动特征融合和尺寸感知解码器。实验结果表明,该方法在分割精度和鲁棒性方面达到SOTA水平。

Ai缝合怪、助力小伙伴高效发论文 509
上一篇: 连接各种数据库的DRIVER和URL备忘!
下一篇: 对flash中大量MC实例实现数组映射访问
flash59
博客等级 码龄20年 1粉丝 1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