Axure中继器分页实战:5分钟搞定动态数据展示(附完整交互设置)

Axure教程—中继器分页 本文是关于Axure中继器的运用操作,详细讲解利用Axure中继器实分页的操作流程,比较基础,供初学者参考学习。 阅读详情

Axure中继器分页实战:5分钟搞定动态数据展示(附完整交互设置)

很多刚接触Axure的朋友,一听到“中继器”和“分页”这两个词,可能就觉得头大。感觉这是高级功能,得花上半天时间才能搞懂。其实不然,中继器分页是Axure里非常实用且逻辑清晰的一个模块,一旦掌握了核心思路,你会发现它比想象中简单得多。这篇文章,我就从一个产品经理和原型设计师的实战角度,带你一步步拆解这个功能。我们的目标很明确:不追求大而全的理论,只聚焦于如何快速、高效地实现一个可交互、可复用的动态数据分页展示原型。无论你是需要向开发团队演示一个后台数据列表,还是想为自己的产品方案增加更真实的交互体验,掌握这个技能都能让你事半功倍。

1. 理解核心:为什么是中继器?

在动手之前,我们先花点时间搞清楚,为什么Axure里的分页功能,通常都和中继器绑定在一起。这能帮你从根本上理解后续的操作逻辑,而不是机械地记忆步骤。

中继器(Repeater) 是Axure里一个非常强大的动态数据容器。你可以把它想象成一个Excel表格,或者一个简单的数据库。它的核心能力是存储多行数据,并按照你设定的规则,将每行数据“重复”地显示在页面上。这个“重复”的模板,就是中继器内部的元件组合。

那么,分页和它有什么关系呢?想象一下,如果你的中继器里有100条用户数据,一次性全部显示在屏幕上,不仅页面会变得冗长不堪,用户体验也极差。分页功能,本质上就是告诉中继器:“每次只显示其中的N条(比如10条),并提供导航让用户可以查看下一批N条数据。”

所以,整个分页交互的核心逻辑链条是这样的:

  1. 数据源:中继器存储所有数据。
  2. 显示规则:通过交互设置,限定中继器每页显示的项目数量。
  3. 导航控制:页码按钮(如“上一页”、“下一页”、数字页码)的点击事件,会触发中继器切换到指定的“当前页面”。
  4. 视觉反馈:页码按钮的状态(如选中、禁用)需要根据当前页面动态变化,给用户清晰的指引。

理解了这条逻辑链,后面的所有操作就都有了方向。下面,我们就从零开始,搭建一个完整的分页列表。

2. 搭建骨架:从零创建数据表格与分页器

我们先来构建最基础的视觉和数据结构部分。这个过程就像盖房子打地基,虽然基础,但至关重要。

2.1 创建表头与中继器数据网格

首先,我们需要一个清晰的数据表头。假设我们要展示一个简单的学生信息列表,包含学号、姓名、年龄、性别和班级。

  1. 从元件库中拖入五个矩形元件,水平排列。分别将它们命名为 学号_标题、姓名_标题、年龄_标题、性别_标题、班级_标题。命名规范很重要,这能让你在后续复杂的交互设置中快速定位目标元件。
  2. 将这五个矩形选中,右键组合,并将组合命名为 表头。组合的好处是便于整体移动和管理。

接下来,就是主角登场了。在表头下方,拖入一个中继器元件。你会看到一个默认带有一行三列数据的虚线框。将其命名为 学生列表。

现在,我们需要向这个中继器里填充数据。双击中继器进入其内部编辑视图。你会看到一个默认的矩形和三个文本标签。我们不需要这些,把它们全部删除。

提示:中继器内部是你定义“单行数据如何显示”的模板。外部的中继器元件本身只是一个容器和数据集。

在中继器内部,仿照表头,也拖入五个矩形,水平排列。同样,给它们命名:学号_项、姓名_项、年龄_项、性别_项、班级_项。然后组合它们,命名为 数据行。这个“数据行”组合,就是未来每一条数据将要呈现的样子。

退出中继器内部编辑,回到主画布。选中中继器,在右侧的样式面板或交互面板旁,找到 “中继器” 面板。这里就是管理数据的地方。默认有三列(Column0, Column1, Column2)。我们需要将其修改为五列,以对应我们的五个字段。

  • 点击“添加列”按钮两次,使总列数达到5列。
  • 双击每一列的名称进行重命名,使其更直观:col_id(学号), col_name(姓名), col_age(年龄), col_sex(性别), col_class(班级)。
  • 在下面的表格中,手动添加一些示例数据。例如:
col_idcol_namecol_agecol_sexcol_class
1001张三20男计算机1班
1002李四22女软件2班
1003王五21男网络3班
...............

你可以多添加几行,比如15-20行,以便后续测试分页效果。

2.2 设计动态分页导航器

分页器的设计有多种样式,常见的是“上一页/下一页”配合数字页码。为了覆盖更全面的交互,我们这里设计一个包含“首页”、“上一页”、数字页码(1-8动态显示)、“下一页”、“尾页”的分页器。为什么是8个数字?这是一个平衡选择,既能显示足够多的页码选项,又不会在界面上显得过于拥挤。在实际项目中,这个数量可以根据设计规范调整。

  1. 拖入一个矩形,命名为 首页,文字设为“首页”。
  2. 在其右侧再拖入一个矩形,命名为 上一页,文字设为“<”。
  3. 接着,连续拖入8个矩形,水平排列。分别命名为 页码_1, 页码_2, ... 页码_8。初始文字可以分别设为“1”到“8”。
  4. 再拖入两个矩形,命名为 下一页(文字“>”)和 尾页(文字“尾页”)。
  5. 将这12个矩形全部选中,组合起来,命名为 分页导航。

为了让选中状态更明显,我们可以预先设置一下页码矩形的交互样式。选中 页码_1,在右侧的交互面板,点击“交互样式”。在弹出的窗口中,勾选“选中”,并设置一个不同的样式,比如填充颜色变为蓝色,文字颜色变为白色。然后,将其他7个页码矩形(页码_2 到 页码_8)的“选中”交互样式也做同样设置。

注意:设置交互样式只是定义了元件在“选中”状态下的外观,并不会自动触发选中。真正的选中逻辑需要我们通过交互事件来控制。

至此,我们的静态骨架就搭建完毕了。画布上应该有三个主要部分:表头组合、中继器、分页导航组合。接下来,就是让它们“活”起来的关键步骤——添加交互。

3. 注入灵魂:设置核心交互逻辑

交互设置是Axure原型的精髓,也是分页功能实现的核心。我们按照逻辑顺序,一步步来。

3.1 绑定数据:让中继器显示内容

首先,我们需要让中继器里的数据,正确地显示在画布上那个“数据行”模板里。

  1. 选中中继器 学生列表。
  2. 在右侧交互面板,点击“新建交互”。
  3. 选择事件 “每项加载时”。这个事件会在中继器准备显示每一行数据时触发。
  4. 添加动作:“设置文本”。
  5. 目标元件选择中继器内部的 学号_项。
  6. 在设置文本的输入框中,点击右下角的 “fx” 图标,打开编辑值界面。
  7. 在左侧的“插入变量或函数”列表中,找到 “Item.col_id”,双击它。你会看到 [[Item.col_id]] 被插入到编辑区。这表示将当前加载的这一行数据的 col_id 列的值,设置给 学号_项 的文本。
  8. 点击“确定”。
  9. 重复步骤4-8,为 姓名_项、年龄_项、性别_项、班级_项 分别设置文本值为 [[Item.col_name]], [[Item.col_age]], [[Item.col_sex]], [[Item.col_class]]。

完成后的交互用例看起来应该是这样的:

中继器 [学生列表] 每项加载时
    -> 设置文本 于 [学号_项] 为 [[Item.col_id]]
    -> 设置文本 于 [姓名_项] 为 [[Item.col_name]]
    -> 设置文本 于 [年龄_项] 为 [[Item.col_age]]
    -> 设置文本 于 [性别_项] 为 [[Item.col_sex]]
    -> 设置文本 于 [班级_项] 为 [[Item.col_class]]

现在,预览一下原型,你应该能看到中继器里所有的数据行都显示出来了,并且挤在一起。这是因为我们还没有设置分页。

3.2 实现分页:设置每页显示数量

让中继器分页非常简单,只需要一个动作。

  1. 继续在 学生列表 中继器上新建交互。
  2. 选择事件 “每项加载时”(是的,可以和上面的设置文本用例共存于同一个事件下,Axure会顺序执行)。
  3. 添加动作:“设置每页项目数量”。
  4. 目标自然是当前中继器 学生列表。
  5. 在数量输入框里,填入你希望每页显示的行数,比如 5。

这样,中继器就会自动将数据分成每页5条。你可以通过中继器属性面板底部的“分页”区域看到总页数。但此时,我们还无法通过页面上的按钮来切换页码。

3.3 构建导航:为分页按钮添加交互

这是最复杂但也最有趣的一步。我们需要为“首页”、“上一页”、数字页码、“下一页”、“尾页”分别添加点击事件。

首先,处理“首页”和“尾页”:

  • 首页:点击时,设置中继器 学生列表 的当前显示页面为 1。
  • 尾页:点击时,设置中继器 学生列表 的当前显示页面为 [[This.pageCount]]。This.pageCount 是一个系统变量,代表当前中继器的总页数。

其次,处理“上一页”和“下一页”:

  • 上一页:点击时,设置中继器 学生列表 的当前显示页面为 [[This.pageIndex-1]]。This.pageIndex 是当前页码。
  • 下一页:点击时,设置中继器 学生列表 的当前显示页面为 [[This.pageIndex+1]]。

最后,是最关键的数字页码交互: 我们需要实现两个功能:1) 点击数字跳转到对应页面;2) 高亮显示当前页码。

为 页码_1 添加“鼠标单击时”的交互:

  1. 添加动作:“设置当前页面”,目标为 学生列表,页面号填入 1。
  2. 添加动作:“设置选中”,目标为 页码_1,值为 true。
  3. 为了取消其他页码的选中状态,我们需要同时设置选中其他7个页码元件(页码_2 到 页码_8)为 false。

这看起来有点繁琐,尤其是要为8个页码都这么设置。但这就是基础逻辑。在实际操作中,你可以通过“触发事件”或“设置变量”来优化,但为了初次理解的清晰,我们先按这个方式设置 页码_1 和 页码_2。

为 页码_2 添加“鼠标单击时”的交互:

  1. 设置 学生列表 的当前页面为 2。
  2. 设置 页码_2 为选中 (true)。
  3. 设置 页码_1, 页码_3 到 页码_8 为未选中 (false)。

你会发现,随着页码增多,交互用例会越来越长。而且,如果总页数超过8页,我们还需要让数字页码动态变化(比如显示“...”,或页码滚动)。这引出了更高级的实现。

3.4 高级技巧:实现动态页码计算与显示

一个健壮的分页器,应该能应对任意数量的数据。当总页数很多时,我们通常不会显示所有页码,而是显示当前页附近的一些页码,并加上“...”指示省略。我们在初始设计时放了8个页码矩形,就是为了实现这种动态效果。

思路是:用一个全局变量来记录当前页,并根据当前页和总页数,动态计算并设置那8个页码矩形应该显示的数字文本。

  1. 设置全局变量:在“项目”菜单下,打开“全局变量”,创建一个名为 CurrentPage 的变量,初始值设为1。
  2. 修改导航按钮交互:将“首页”、“上一页”、“下一页”、“尾页”以及每个数字页码的点击事件,都增加一个动作:“设置变量值”,将 CurrentPage 设置为跳转后的目标页码。
  3. 创建动态设置页码的函数:我们可以将一个热区元件(隐藏起来)作为触发计算的开关。为这个热区添加“鼠标单击时”或“载入时”的交互,但更常见的做法是将其作为一个自定义事件的载体,或者直接在页面载入时触发。
  4. 在页面载入时或 CurrentPage 变化时,执行一段复杂的设置文本逻辑。这需要用到条件判断和局部变量。

例如,我们可以这样构思逻辑(用伪代码表示):

总页数 = [[学生列表.pageCount]]
当前页 = [[CurrentPage]]

如果 总页数 <= 8:
    页码_1 文本 = 1
    页码_2 文本 = 2
    ...
    页码_8 文本 = 总页数 (如果不到8,后面的隐藏或禁用)
否则:
    // 计算起始页码和结束页码,确保当前页在中间位置
    起始页码 = 当前页 - 3
    如果 起始页码 < 1: 起始页码 = 1
    结束页码 = 起始页码 + 7
    如果 结束页码 > 总页数:
        结束页码 = 总页数
        起始页码 = 结束页码 - 7

    // 为每个页码矩形设置文本
    页码_1 文本 = 起始页码
    页码_2 文本 = 起始页码 + 1
    ...
    页码_8 文本 = 结束页码

// 同时,根据当前页,设置对应页码矩形的选中状态
设置所有页码矩形为未选中
设置 [页码_[[当前页-起始页码+1]]] 为选中

在Axure中实现上述逻辑,需要大量使用“设置变量值”、“条件判断”和“设置文本”动作,并熟练运用 [[This.pageCount]]、[[LVAR1]](局部变量)等。这是Axure交互的进阶内容。对于初学者,可以先实现固定8页内的精确跳转和选中,这已经能覆盖大部分演示场景。当你熟悉基础后,再来挑战这个动态页码,会更有成就感。

4. 优化与扩展:让分页原型更真实可靠

基础功能实现后,我们可以从用户体验和原型健壮性角度,做一些优化和功能扩展。

4.1 边界状态处理

一个好的交互必须处理好边界情况,防止用户操作出现意外。

  • 禁用“上一页”和“首页”:当当前页为第一页时,“上一页”和“首页”按钮应该变为禁用状态(灰色,不可点击)。这可以通过条件交互实现。
    • 为“上一页”按钮的“鼠标单击时”事件添加一个条件:[[This.pageIndex]] > 1。只有满足这个条件(不是第一页),才执行翻到上一页的动作。
    • 同时,在“页面载入时”或页码变化时,通过条件判断,动态设置这两个按钮的禁用样式。
  • 禁用“下一页”和“尾页”:同理,当当前页为最后一页时,禁用“下一页”和“尾页”。条件为:[[This.pageIndex]] < [[This.pageCount]]。
  • 隐藏多余页码:如果总页数不足8页,应该隐藏多余的页码矩形。可以通过设置它们的隐藏属性来实现。

4.2 添加页面信息提示

在分页器旁边,通常会有“第 X 页 / 共 Y 页”或“显示 M - N 条,共 Z 条”的提示信息。这个用Axure实现起来非常简单。

  1. 在分页导航器旁边拖入一个文本标签元件。
  2. 在其“鼠标单击时”或更合适的“页面载入时”/“中继器页码改变时”添加交互,设置其文本为:
    第 [[学生列表.pageIndex]] 页,共 [[学生列表.pageCount]] 页
    
    或者
    显示 [[(学生列表.pageIndex-1)*每页条数+1]] - [[MIN(学生列表.pageIndex*每页条数, 学生列表.dataCount)]] 条,共 [[学生列表.dataCount]] 条
    
    (注:dataCount是中继器数据总行数,MIN是取最小值的函数,需要结合局部变量使用)。

4.3 结合搜索与筛选

中继器的强大之处在于,分页可以轻松与其他功能联动。例如,你可以在页面顶部添加一个搜索框。

  1. 添加一个文本框作为搜索框,一个按钮作为“搜索”按钮。
  2. 为“搜索”按钮添加“鼠标单击时”交互,动作为:“添加筛选” 到中继器 学生列表。
  3. 在筛选器规则中,设置条件,例如:[[Item.col_name]].indexOf('[[搜索框文本]]') >= 0。这表示在 col_name 列中查找包含搜索文本的数据行。
  4. 关键点:添加筛选后,中继器显示的数据集会动态变化,其 pageCount(总页数)也会随之重新计算。我们之前做好的分页导航器,不需要做任何修改,就能自动适应新的数据分页情况。这就是中继器数据驱动视图的优势。

4.4 性能与数据模拟

对于需要展示大量数据(如数百上千行)的原型,直接在Axure中继器里填写数据会很低效。这时可以考虑:

  • 导入外部数据:Axure支持从.csv文件导入数据到中继器。你可以在Excel中管理好数据,另存为CSV格式,然后在中继器数据集面板点击“导入”按钮。
  • 使用动态面板状态模拟加载:在点击翻页时,可以先用一个动态面板显示“加载中...”的动画,然后通过“等待”动作延迟一小段时间,再执行真正的翻页动作,以模拟网络请求的延迟,使原型体验更真实。

5. 避坑指南与最佳实践

在多次项目实践中,我总结了一些关于Axure中继器分页的常见问题和技巧,希望能帮你少走弯路。

命名规范是生命线。当元件越来越多,交互越来越复杂时,清晰一致的命名能节省你大量的调试时间。建议采用 组件_功能_状态 的格式,如 btn_prev_page(上一页按钮)、text_page_info(页码信息文本)。

交互用例的组织。不要把所有动作都堆在一个用例里。合理使用“用例1”、“用例2”,并为它们添加描述性的名称(Axure 9及以上版本支持)。例如,将“首页”按钮的点击事件拆分为“正常跳转”和“已在首页”两个用例,通过条件来区分触发,逻辑会更清晰。

充分利用预览和调试。按F5预览原型,并打开浏览器的开发者工具(F12),查看控制台有无错误。Axure RP 10的“原型”菜单下的“查找问题”功能,也能帮你检查一些常见的交互错误。

关于动态页码的简化方案。如果觉得完整的动态页码计算太复杂,一个折中的、体验也不错的方案是:只显示“上一页”、“下一页”和当前页码。或者采用“加载更多”的模式,这在中继器中可以通过“每页项目数”随点击“加载更多”按钮而增加来实现。

元件的复用。将这个做好的分页列表(包括中继器和分页导航器)保存为一个母版。这样,在同一个项目的其他页面需要类似功能时,直接拖入母版即可,所有交互都已内置,只需替换中继器内的数据。这是提升原型制作效率的终极法宝。

最后,记住Axure原型的目的在于沟通和验证。分页交互的细节做到多深,取决于你的评审对象是谁。对于内部团队沟通,基础分页已足够;对于高保真演示或用户测试,则有必要完善边界处理和动态效果。多动手试错,把每个交互事件和动作背后的逻辑想清楚,你会发现Axure能实现的,远比你想象的要多。

Axure RP9中继器实战:5分钟搞定动态分页列表(附原型下载) 本文详细介绍了如何在Axure RP9中使用中继器快速实现动态分页列表功能。通过中继器的数据绑定和条件筛选,产品经理和交互设计师可以高效创建复杂的列表界面,提升原型制作效率300%以上。文章包含分页器设计、分页逻辑实现等实战技巧,并附赠可下载的原型文件。 阅读详情

相关推荐

Axure RP 9中继器实战:5分钟搞定动态表格的增删改查(附完整交互步骤)

本文详细介绍了如何在Axure RP 9中使用中继器快速实现动态表格的增删改查功能。通过5分钟实战教程,从数据绑定到交互设计,帮助产品经理和UI设计师高效构建高保真原型,提升后台管理系统的设计效率。

weixin_29273849的博客 376

【Axure教程】自动生成页码的中继器表格

今天教大家桌自动生成页码的中继器表格的原型模板~~~

mushe93的博客 1369

别再手动填数据了!用Axure9中继器5分钟搞定省市区三级联动下拉菜单

本文详细介绍了如何利用Axure9中继器快速构建省市区三级联动下拉菜单,实现数据驱动的原型设计。通过CSV数据导入、动态筛选逻辑和性能优化技巧,5分钟即可完成高效、可维护的智能组件,适用于电商后台、用户画像等场景,大幅提升设计效率。

weixin_30675247的博客 314

Axure PR 9 中继器 02 分页提示

1.打开上期RP 文件,设置分页提示,在元件库中拖入一个矩形,在样式窗格中输入名称“分页提示”,宽值根据业务情况设置,高值设为35,输入文本“当前显示 条/共 条,当前第 页/共 页” 字体颜色 黑色 向左靠齐,基于中继器元件左下角对齐。1.选中“分页提示”矩形框,在交互窗格中新建交互,载入时 设置文本,分页提示 文本 值。2.选中 推荐位表格 中继器元件,在样式窗格,分页 中勾选多页显示 每页项数量 10。接着上期的内容,这期内容,我们来了解一下Axure中继器图表分页提示。点击确定,预览效果。

WGzhuiri的博客 726

别再手动画表格了!用AxureRP9中继器5分钟搞定动态数据增删改查

本文详细介绍了如何利用AxureRP9中继器快速构建动态表格原型,实现高效的数据增删改查操作。通过分步教程和实战技巧,帮助产品经理和设计师在5分钟内完成高保真交互设计,大幅提升原型制作效率。

weixin_42561040的博客 122

【Axure RP9 教程】中继器表格应用

一、修改、删除指定行 首先我们还是在 Axure 页面中拖入一个【中继器】,并双击打开,在默认的【矩形】后面加上【修改】和【删除】按钮: 然后我们给修改按钮添加【中继器事件】,选择【更新行】: 可以看到,由于我们是在中继器内部添加事件,在编辑的时候,【行】的板块多了一个【当前】的选项,我们按默认的即可,我们再把【列+值】修改一下,改为在原来数值的基础上乘以2,保存后看看效果: 可以看到,当...

Beau_Ray的博客! 1886

Axure RP 中继器信息获取与分页条的实现 中继器总结系列(三)

中继器信息获取与分页条的实现 这是一个学生成绩的表格。 我来介绍一下,需要做的内容: 1、使用中继器实现表格,设置每页显示数量和交替背景颜色;2、表格中首列序号自动生成,且不受翻页影响;3、表格加载时,顶部显示表格相关信息,包括可见项数量、加载项数量、当前页面以及页面总数; 4、点击分页条按钮能够翻到相应页面; 5、点击分页条按钮时,列表信息要跟随发生变化; 6、列表翻页时,对应的翻页按钮文字加粗显示。 接下来,我们就根据上面罗列的实现目标,逐一完成各项功能。 第一步,放入一个中继器,双击打开,先完成中继器

New_BoKe的博客 1994

老二牛车Axure夜话:中继器系列视频教程之中继器表格分页动态页数

NULL 博文链接:https://chengshi301.iteye.com/blog/2158080

【Axure】中继器版翻页设置

根据内容中继器的数据自动生成页码。

ivys52的博客 1070

深入解析postcss-px-to-viewport-8-plugin:如何精准控制响应式转换范围

本文深入解析了postcss-px-to-viewport-8-plugin插件在响应式开发中的核心痛点——如何精准控制单位转换范围。针对插件默认全局转换的问题,文章提供了两种实战解决方案:通过编写巧妙的exclude正则表达式实现“曲线救国”,或直接修改插件源码补全include功能。同时,文章还分享了在Next.js、Vite等现代框架中的集成要点及常见问题排查方法,帮助开发者实现“外科手术式”的精准样式转换。

yoga7的博客 910

计算光刻效率革命:为什么Hopkins模型比Abbe模型快?深入解析TCC的魔力

本文深入解析了计算光刻中Hopkins模型相比Abbe模型的效率优势,重点探讨了TCC(透射交叉系数)的工程智慧。通过预计算光学系统特性并复用TCC矩阵,Hopkins模型实现了数量级的加速,特别适用于复杂照明条件下的光刻仿真。文章详细介绍了TCC的物理意义、模态分解技术以及GPU并行计算等关键加速策略,为半导体制造中的光刻工艺优化提供了实用见解。

weixin_33364627的博客 390

初学Axure RP10学习记录-01:中继器分页【没写完,自用,待修改】

Axure RP10 中继器相关使用

qq_46120547的博客 796

Windows版MySQL8.4.2LTS解压直用(下载免安装-绿色-项目打包直接使用-含卸载)

安装前运行微软常用运行库全集(也可能称为依赖)关于MySQL8中相关参数配置,可通过。选择8.5.2LTS长期服务版。选中密码,右键会直接复制。

xzzteach的博客 1442

【Axure视频教程】中继器表格——分页显示

Hello,今天教大家在axure用中继器制作分页显示的高保真原型模板,主要包括3部分内容:一个是用中继器制作内容表格;第二个是用中继器制作上拉列表;第三个是两个中继器之间的联动交互。制作完成之后复用性极强,下次只需要维护表格数据,或者从excel复制数据到表格,自动生成交互效果,所以强烈推荐给大家。该教程从材料准备到完成交互,手把手的教学。 【试看版教程】 【Axure教程】中继器表格——分页显示 【完整版教程】 https://mp.weixin.qq.com/s?__biz=MzI4MzE1

mushe93的博客 781

从2-RSS-1U并联踝关节到双足机器人动态行走:雅可比矩阵与力矩控制实践

本文深入探讨了2-RSS-1U并联踝关节在双足机器人动态行走中的关键作用,详细解析了其设计原理、雅可比矩阵的应用及力矩控制实践。通过优化几何参数和控制算法,实现了低转动惯量、高刚度和紧凑设计,显著提升了机器人的行走稳定性和能量效率。文章还分享了从仿真到实物的跨越经验及未来优化方向。

weixin_42641998的博客 597

从零到一:Firefly-RK3399上的Ubuntu镜像构建与GPU加速实战

本文详细介绍了在Firefly-RK3399开发板上从零构建深度优化的Ubuntu系统镜像的全过程,包括交叉编译环境配置、内核定制、GPU加速环境部署(Mesa Panfrost驱动、OpenCL/Vulkan支持)以及深度学习推理优化(TFLite + LinuxNN)。通过实战案例展示了如何充分发挥Mali-T860 GPU的硬件潜力,提升边缘AI应用的性能和能效。

pz8901234的博客 1022

layui分页只能显示一页数据_Axure教程:数据分页显示

上一个教程中,我们讲到了中继器。今天呢,我们继续讲跟中继器有关的。中继器可以显示数据列表,但是当数据列表数据条数较多,如上百上千上万的时候,一个页面显示可能会过于冗长。在这种情况下,通常的做法就是分页显示,每页显示固定条数的数据,可以进行上页下页进行查看数据,当然也可以指定页码直接跳转。我们先来个直观的瞅瞅:下面呢,我就带大家一起来看一下Axure中如何实现这种效果。话不多说,还是按照我们以往的套...

weixin_39583623的博客 480

【FOC无刷电机控制】六步换向、FOC,STM32cubemx从零开始搭建BLDC六步换相代码、FOC代码(基于霍尔传感器)

FOC、六步换相,无刷电机控制

xifan的博客 3万+

中继器每页项目数量与分页

文章目录元件设置每页条数交互设置下拉列表框初始页面条数下拉列表框交互翻页交互设置单独页码按钮首页按钮尾页按钮下一页按钮 元件设置 偷懒做法:暂时只做1个单独页面按钮P1,交互设置好后再复制粘贴并重命名为P2,…,Pn 每页条数交互设置 下拉列表框 初始页面条数 下拉列表框交互 →设置每页项目数量 翻页交互设置 →设置当前显示页面 单独页码按钮 →按下时填充颜色 →设置当前显示页面 首...

m0_37196973的博客 1650

如何编写 Skill 实现自动化用例生成

Skill 本质上是一组结构化的指令和工具定义,它告诉 AI 模型在特定场景下应该遵循什么流程、调用哪些工具、输出什么格式的内容。元信息:名称、描述、版本等。指令(Instructions):定义 AI 的行为准则和任务流程。工具(Tools):AI 可以调用的外部能力,如文件读写、代码执行、API 请求等。上下文(Context):预设的输入输出格式或示例。编写一个用于自动生成测试用例的 Skill,核心在于定义清晰的指令流程和输出规范。

Cesare的博客 2717

C#上位机+国产PLC+AI:构建自主可控的智能生产线解决方案

全栈国产化智能产线方案并非遥不可及,基于成熟的国产硬件、丰富的.NET生态、快速发展的国产大模型,完全可以搭建出稳定可靠且具备智能能力的生产系统。落地建议采用三步走策略:基础国产化阶段:替换PLC与上位机,实现基础监控与控制功能,解决卡脖子问题,快速验证国产化方案稳定性数据沉淀阶段:完善数据采集与存储,建立设备台账、故障库、工艺库,积累高质量领域数据智能升级阶段:引入国产大模型与知识库,落地故障诊断、工艺优化、预测性维护等智能应用,持续提升产线效率。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 525

Axure中继器基础教程(增行、删当前、标记、全部、规则行) Mark

一、中继器的新增行 中继器所显示的列表项与中继器的数据集有关,默认情况下是一一对应的。也就是说,中继器数据集中有多少行数据,那么,列表项就有多少个。 那么,我们能不能通过新增数据行来增加列表项呢? 可以的。我们可以通过动作对中继器进行新增行的操作。 下面就以向默认状态下的中继器新增行举例,我们将一个文本框(命名为”Ipt”)和一个“新增”按钮放到编辑区。生成后的效果要求:点击“新增”按...

xsfqh的专栏 8832

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Axure-中继器制作分页

作为技术领域我们在写功能时可以完成一个个小小的功能,同样的使用Axure原型设计可以完成同样的功能,已达到在给客户演示时看到数据实时更新的效果。 下边我们就来看一下在原型设计中如何来制作分页。 步骤一 首先我们先制作一个表头这里罗列了三列:序号,姓名,成绩然后我们从元器件中拖进来一个中继器。 步骤二 接下来我们选中该中继器,在右侧中继器选项中分别添加行和列以及相应的数...

liuhaiyan111的博客 9958

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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")

上一篇: vLLM PD分离推理实战:5分钟搞定PyNcclConnector模式部署(附避坑指南)
下一篇: 从半加器到4位超前进位加法器:数电实验箱上的组合逻辑设计实战
github5actions
博客等级 码龄1天 0粉丝 1824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  | 博主筛选后可见
 
 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