mqlayer播放器1.0

最新推荐文章于 2025-12-16 16:02:25 发布
最新推荐文章于 2025-12-16 16:02:25 发布 · 199 阅读 · 0
文章标签：

#java

MQLayer播放器1.0正式发布，支持所有音视频格式，界面简洁美观，新增媒体管理器等功能，提供最佳用户体验。此次更新包括界面美化、快捷播放按钮等改进。
前端时间开发的播放器，因为是使用java开发，所以放到 javaeye上来，能更方便的做技术上的交流。

介绍：
mqlayer播放器支持所有音视频格式，资源占用率低，界面简洁美观，除具备一般播放器的功能外，还有很多创新功能，比如媒体管理器，画中画搜索，急速拖动，精确定位，鼠标手势，最简界面，智能缩放等，为用户提供最佳体验。
mqlayer 1.0相对预览版做了大量修改和完善。

主要变化：
1、美化界面，并增加多种主题外观。
2、增加快捷播放按钮。
3、增加所有文件的以及播放列表的断点记忆播放
4、增加常用快捷键。
5、改进操作方式。

如果觉得好用，可以帮忙做下宣传。

（jre的问题，原来使用的是精简后的jre，可以压缩到7兆左右，但造成程序的启动速度很慢，现在改为自动检测在线安装 jre。）

下载地址：

完整版，10兆

[url]http://lightvod.googlecode.com/files/mqlayerInstaller1.0.exe[/url]

默认界面：
[img]/upload/attachment/100351/6bc9952d-c6f6-363b-af95-7ccebecd17ff.jpg[/img]

[img]/upload/attachment/100353/45b6a295-83cd-3ff9-9ced-124ea852ca4b.jpg[/img]

媒体管理器：
[img]/upload/attachment/100355/d2951710-b959-3261-ab2e-f38387b364c9.jpg[/img]

透明效果：
[img]/upload/attachment/100357/4ea39f4d-e6aa-3004-b604-eb15874ac59d.jpg[/img]

无边框效果：
[img]/upload/attachment/100361/da9c4295-47da-332c-a8d7-7673e1262496.jpg[/img]

海蓝色主题：
[img]/upload/attachment/100359/cedd33ce-71e7-38d9-a855-fb89f324f8d4.jpg[/img]
iteye_13898
关注
使用ffmpeg实现单线程异步的视频播放器
yinshipin007的博客
06-15 1141
第一章 视频渲染第二章 音频（push）播放第三章 音频（pull）播放第四章 实现时钟同步第五章 实现通用时钟同步第六章 实现播放器（本章）前言ffplay是一个不错的播放器，是基于多线程实现的，播放视频时一般至少有4个线程：读包线程、视频解码线程、音频解码线程、视频渲染线程。如果需要多路播放时，线程不可避免的有点多，比如需要播放8路视频时则需要32个线程，这样对性能的消耗还是比较大的。
layui弹窗实现视频播放
hj1043的博客
08-20 399
由于fa框架已经集成好了，只需要在前台页面引入layer.js文件即可。项目基于fastadmin框架。点击视频，即以弹窗形式播放视频。截取了部分代码片段，仅供参考。**其它：**CSS样式美化。
layer弹出层中H5播放器全屏出错解决 & 属性poster底图占满video的方法
weixin_33813128的博客
02-20 433
1. 在layer弹窗组件中 如果使用了flash播放器，全屏是正常的 但若使用了HTML5的播放器，全屏失效   举个栗子 1 <!DOCTYPE html> 2 <html> 3 <head> 4 <meta charset="utf-8"> 5 <title></title&g
优酷播放器与layer弹出层（别的弹出层未测试）遮挡问题
倾城的专栏
04-01 1616
最近做了优酷视频插件 ，然后做了个删除功能，使用的layer弹出层插件，发现弹出的时候被优酷播放器遮挡，修改zIndex属性不能用，经查阅资料改成  /v.swf" allowFullScreen="true" quality="high" width="280" height="200" align="middle" allowScriptAccess="sameDomain" type="a
基于imx8mq 播放器开发
大头大
04-16 391
基于imx8mq 播放器开发 1、 在yocto中配置播放器所依赖的选项 1） 在 source/meta-fsl-bsp-release/imx/meta-sdk/recipes-fsl/images/imx-image-multimedia.bb 中去掉 tools-testapps,增加qtsvg,qtquickcontrols,qtquickcontrols2,qtmultimedia; 2) 在conf/local.conf中增加 PACKAGECONFIG_append_pn-qtmultime
用java开发视频播放器
mqlayer的专栏
08-23 843
支持大部分音视频格式,具有播放器基本的功能... 网站http://hi.baidu.com/mqlayer下载地址:http://p2pstorm.googlecode.com/files/java%20player.7z 截图:
import mindspore as ms from mindspore import nn, Parameter from mindquantum import Circuit, Hamiltonian, Simulator, X, H, RY, RX from mindquantum.framework import MQLayer # 量子层的封装接口[[2]] # ① 编码线路：把经典特征映射到量子态 def build_encoder(num_qubits): circ = Circuit() for i in range(num_qubits): circ.h(i) # 初始 Hadamard circ.ry(f'x{i}', i) # 参数化 Y 旋转，参数名对应特征 x_i return circ # ② 可训练线路（Ansatz）：待学习的参数化门 def build_ansatz(num_qubits, depth=2): circ = Circuit() for d in range(depth): for i in range(num_qubits): circ.rx({f't{d}_{i}': 1.0}, i) # 参数化 X 旋转 # 交叉 CNOT 形成纠缠 for i in range(num_qubits - 1): circ.x(i, i + 1) return circ n_qubits = 2 encoder = build_encoder(n_qubits) ansatz = build_ansatz(n_qubits, depth=2) # 将编码和 Ansatz 串联 pqc = encoder + ansatz # 这里以 Z⊗Z 为例，得到一个标量输出 from mindquantum.core.operators import QubitOperator ham = Hamiltonian(QubitOperator('Z0 Z1', -1)) encoder_params=encoder.params_name ansatz_params=ansatz.params_name encoder_params,ansatz_params # ① 使用 Simulator 生成带梯度的期望值算子 sim = Simulator('mqvector', n_qubits) # 也可以换成 'mqvector'、'mqmatrix' 等后端 grad_ops = sim.get_expectation_with_grad( ham, pqc, encoder_params_name=encoder_params, ansatz_params_name=ansatz_params, parallel_worker=4 ) # ② 用 MQLayer 包装 quantum_layer = MQLayer(grad_ops) # 已封装前向+梯度[[6]] x=ms.Tensor([ [1,2], [2,4], [3,6], [4,8] ],ms.float32) y=quantum_layer(x) 以上代码为什么报错？ --------------------------------------------------------------------------- TypeError Traceback (most recent call last) Cell In[6], line 44 42 # ① 使用 Simulator 生成带梯度的期望值算子 43 sim = Simulator('mqvector', n_qubits) # 也可以换成 'mqvector'、'mqmatrix' 等后端 ---> 44 grad_ops = sim.get_expectation_with_grad( 45 ham, 46 pqc, 47 encoder_params_name=encoder_params, 48 ansatz_params_name=ansatz_params, 49 parallel_worker=4 50 ) 52 # ② 用 MQLayer 包装 53 quantum_layer = MQLayer(grad_ops) # 已封装前向+梯度[[6]] TypeError: Simulator.get_expectation_with_grad() got an unexpected keyword argument 'encoder_params_name'
10-27
| 参数命名 | 所有参数必须以字符串命名（如 `'x0'`, `'t0_0'`），不能是 `{f't{d}_{i}': 1.0}` 这种字典形式（那是旧语法或别的框架写法）。 | | `RX(param)` 写法 | 应该直接写 `circ.rx('param_name', qubit)`，...
以上代码适合mindquantum 0.11.0吗？为什么修改后仍然显示 TypeError Traceback (most recent call last) Cell In[7], line 47 45 # ① 使用 Simulator 生成带梯度的期望值算子 46 sim = Simulator('mqvector', n_qubits) # 也可以换成 'mqvector'、'mqmatrix' 等后端 ---> 47 grad_ops = sim.get_expectation_with_grad( 48 ham, 49 pqc, 50 circ_params_dict=circ_params_dict, 51 parallel_worker=4 52 ) 54 # ② 用 MQLayer 包装 55 quantum_layer = MQLayer(grad_ops) # 已封装前向+梯度[[6]] TypeError: Simulator.get_expectation_with_grad() got an unexpected keyword argument 'circ_params_dict'
10-27
1. 把输入 `x` 的每一行（比如 `[1.0, 2.0]`）映射到参数 `'x0' -> 1.0`, `'x1' -> 2.0` 2. 将这些值代入整个电路 `pqc` 3. 对剩下的参数（如 `'t0_0'`, `'t1_1'` 等）作为神经网络权重进行优化 4. 使用自动微分计算...
import mindspore as ms from mindspore import nn, Parameter from mindquantum import Circuit, Hamiltonian, Simulator, X, H, RY, RX from mindquantum.framework import MQLayer # 量子层的封装接口[[2]] # ① 编码线路：把经典特征映射到量子态 def build_encoder(num_qubits): circ = Circuit() for i in range(num_qubits): circ.h(i) # 初始 Hadamard circ.ry(f'x{i}', i) # 参数化 Y 旋转，参数名对应特征 x_i return circ # ② 可训练线路（Ansatz）：待学习的参数化门 def build_ansatz(num_qubits, depth=2): circ = Circuit() for d in range(depth): for i in range(num_qubits): circ.rx({f't{d}_{i}': 1.0}, i) # 参数化 X 旋转 # 交叉 CNOT 形成纠缠 for i in range(num_qubits - 1): circ.x(i, i + 1) return circ n_qubits = 2 encoder = build_encoder(n_qubits) ansatz = build_ansatz(n_qubits, depth=2) # 将编码和 Ansatz 串联 pqc = encoder + ansatz # 这里以 Z⊗Z 为例，得到一个标量输出 from mindquantum.core.operators import QubitOperator ham = Hamiltonian(QubitOperator('Z0 Z1', -1)) encoder_params=encoder.params_name ansatz_params=ansatz.params_name # ① 使用 Simulator 生成带梯度的期望值算子 sim = Simulator('mqvector', n_qubits) # 也可以换成 'mqvector'、'mqmatrix' 等后端 grad_ops = sim.get_expectation_with_grad( ham, pqc, parallel_worker=4 ) # ② 用 MQLayer 包装 quantum_layer = MQLayer(grad_ops) # 已封装前向+梯度[[6]] x = ms.Tensor([ [1.0, 2.0], [2.0, 4.0], [3.0, 6.0], [4.0, 8.0] ], ms.float32) # 前向传播 y = quantum_layer(x) print("输出形状:", y.shape) # 应该是 (4, 1) print("输出值:\n", y) 以上代码，为什么报错？ ValueError Traceback (most recent call last) Cell In[9], line 59 51 x = ms.Tensor([ 52 [1.0, 2.0], 53 [2.0, 4.0], 54 [3.0, 6.0], 55 [4.0, 8.0] 56 ], ms.float32) 58 # 前向传播 ---> 59 y = quantum_layer(x) 60 print("输出形状:", y.shape) # 应该是 (4, 1) 61 print("输出值:\n", y) File D:\10_The_Programs\4_The_Codes\00_virtual_environment\DeepLearning\Lib\site-packages\mindspore\nn\cell.py:1355, in Cell.__call__(self, *args, **kwargs) 1352 if not (self.requires_grad or self._dynamic_shape_inputs or self.mixed_precision_type): 1353 if not (self._forward_pre_hook or self._forward_hook or self._backward_pre_hook or self._backward_hook or 1354 self._shard_fn or self._recompute_cell or (self.has_bprop and _pynative_executor.requires_grad())): -> 1355 return self.construct(*args, **kwargs) 1357 return self._run_construct(*args, **kwargs) 1359 return self._complex_call(*args, **kwargs) File D:\10_The_Programs\4_The_Codes\00_virtual_environment\DeepLearning\Lib\site-packages\mindquantum\framework\layer.py:94, in MQLayer.construct(self, arg) 92 def construct(self, arg): 93 """Construct a MQLayer node.""" ---> 94 return self.evolution(arg, self.weight) File D:\10_The_Programs\4_The_Codes\00_virtual_environment\DeepLearning\Lib\site-packages\mindspore\nn\cell.py:1355, in Cell.__call__(self, *args, **kwargs) 1352 if not (self.requires_grad or self._dynamic_shape_inputs or self.mixed_precision_type): 1353 if not (self._forward_pre_hook or self._forward_hook or self._backward_pre_hook or self._backward_hook or 1354 self._shard_fn or self._recompute_cell or (self.has_bprop and _pynative_executor.requires_grad())): -> 1355 return self.construct(*args, **kwargs) 1357 return self._run_construct(*args, **kwargs) 1359 return self._complex_call(*args, **kwargs) File D:\10_The_Programs\4_The_Codes\00_virtual_environment\DeepLearning\Lib\site-packages\mindquantum\framework\operations.py:134, in MQOps.construct(self, enc_data, ans_data) 132 def construct(self, enc_data, ans_data): 133 """Construct an MQOps node.""" --> 134 check_enc_input_shape(enc_data, self.shape_ops(enc_data), len(self.expectation_with_grad.encoder_params_name)) 135 check_ans_input_shape(ans_data, self.shape_ops(ans_data), len(self.expectation_with_grad.ansatz_params_name)) 136 fval, g_enc, g_ans = self.expectation_with_grad(enc_data.asnumpy(), ans_data.asnumpy()) File D:\10_The_Programs\4_The_Codes\00_virtual_environment\DeepLearning\Lib\site-packages\mindspore\ops\primitive.py:955, in constexpr.<locals>.decorator.<locals>.ProxyOp.__call__(self, *args, **kwargs) 954 def __call__(self, *args, **kwargs): --> 955 return fn(*args, **kwargs) File D:\10_The_Programs\4_The_Codes\00_virtual_environment\DeepLearning\Lib\site-packages\mindquantum\framework\operations.py:38, in check_enc_input_shape(data, encoder_tensor, enc_len) 36 raise TypeError(f"Encoder parameter requires a Tensor but get {type(data)}") 37 if len(encoder_tensor) != 2 or encoder_tensor[1] != enc_len: ---> 38 raise ValueError( 39 'Encoder data requires a two dimension Tensor with second' 40 + f' dimension should be {enc_len}, but get shape {encoder_tensor}' 41 ) ValueError: Encoder data requires a two dimension Tensor with second dimension should be 0, but get shape (4, 2)
10-27
这个错误非常关键，它揭示了 **MindQuantum 中 `MQLayer` 对参数命名与自动识别机制的一个核心逻辑问题**。 --- ## ❌ 错误原因分析 ### 根本原因： > **你的编码电路（encoder）中没有正确注册任何“可识别的...
import mindspore as ms from mindspore import nn from mindquantum import Circuit, Hamiltonian, Simulator, H, RY, RX, X from mindquantum.framework import MQLayer from mindquantum.core.operators import QubitOperator # 设置运行模式 ms.set_context(mode=ms.PYNATIVE_MODE) # ① 编码线路：把经典特征映射到量子态 def build_encoder(num_qubits): circ = Circuit() for i in range(num_qubits): circ.h(i) # 初始叠加 circ.ry(f'x{i}', i) # 使用字符串参数名 'x0', 'x1' return circ # ② 可训练线路（Ansatz） def build_ansatz(num_qubits, depth=2): circ = Circuit() for d in range(depth): for i in range(num_qubits): circ.rx(f't{d}_{i}', i) # 改为字符串参数名，不是 {name: value} # 添加纠缠层 CNOT for i in range(num_qubits - 1): circ.x(i + 1, [i]) # X_{i+1} 控制于 qubit i return circ # 定义量子比特数 n_qubits = 2 encoder = build_encoder(n_qubits) ansatz = build_ansatz(n_qubits, depth=2) pqc = encoder + ansatz # 总电路 # 输出参数名用于调试 print("Encoder params:", encoder.params_name) # 应该是 ['x0', 'x1'] print("Ansatz params:", ansatz.params_name) # 应该是 ['t0_0', 't0_1', 't1_0', 't1_1'] # 定义哈密顿量：测量 Z0 ⊗ Z1 ham = Hamiltonian(QubitOperator('Z0 Z1')) # 创建模拟器并获取梯度算子 sim = Simulator('mqvector', n_qubits) # 注意：v0.11 不支持 encoder_params_name 等参数，全部由参数名自动推断 grad_ops = sim.get_expectation_with_grad( hams=ham, encoder=encoder, ansatz=ansatz, parallel_worker=4 ) # 包装成可训练层 quantum_layer = MQLayer(grad_ops) # 输入数据：每行是一个样本，对应 x0, x1 x = ms.Tensor([ [1.0, 2.0], [2.0, 4.0], [3.0, 6.0], [4.0, 8.0] ], ms.float32) # 前向传播 y = quantum_layer(x) print("输出形状:", y.shape) # (4, 1) print("输出值:\n", y) 针对以上代码在0.11.0的mindquantum中为什么还会报错？ TypeError Traceback (most recent call last) Cell In[2], line 46 43 sim = Simulator('mqvector', n_qubits) 45 # 注意：v0.11 不支持 encoder_params_name 等参数，全部由参数名自动推断 ---> 46 grad_ops = sim.get_expectation_with_grad( 47 hams=ham, 48 encoder=encoder, 49 ansatz=ansatz, 50 parallel_worker=4 51 ) 53 # 包装成可训练层 54 quantum_layer = MQLayer(grad_ops) TypeError: Simulator.get_expectation_with_grad() got an unexpected keyword argument 'encoder'
10-27
你提出的问题非常关键，说明...| `v1.0+` | 彻底移除 `Simulator.get_expectation_with_grad`，改用 `generate_pqc_operator` | 所以你现在使用的 `0.11.0` 是一个 **“文档超前于实现”的典型坑版本**。 --- ###
Traceback (most recent call last): File "D:\11_The_Files\02_The_algorithms\1_The_Pythons\M11\E06\T01.py", line 141, in <module> test_net = QuantumConvLayer(kernel_size=3, n_kernels=2, dilation=1) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "D:\11_The_Files\02_The_algorithms\1_The_Pythons\M11\E06\T01.py", line 37, in __init__ mq_layer = MQLayer(grad_ops, weight_names=ansatz_params) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ TypeError: MQLayer.__init__() got an unexpected keyword argument 'weight_names' 根据以上错误修改代码
11-18
TypeError: MQLayer.__init__() got an unexpected keyword argument 'weight_names' ``` 这说明你使用的 **MindQuantum 版本非常旧**（可能是 v0.7.x 或更早），其中 `MQLayer` 尚未支持 `weight_names` 参数。 -...
iMX8MQ“存储音频显示”一条龙服务——OKMX8MQ-C开发板
飞凌嵌入式
01-29 688
飞凌OKMX8MQ-C开发板基于NXPi.MX8MQ应用处理器设计，ARMCortex-A53和Cortex-M4内核。 iMX8MQ平台具有业界领先的音频、语音和视频处理功能，具有高品质视频，提供全4KUltraHD分辨率和HDR(DolbyVision、HDR10和HLG)，同时具有丰富的接口功能，灵活的存储器选件，能够根据需求调整CPU频率。适用于从消费家庭音频到工业楼宇自动化及移动计算机等广泛应用。 下面是小编从存储、千兆网、4K解码对iMX8MQ 开发板进行的测评。数据存储--存储..
layui 弹框播放视频
热门推荐
zhangjuan1108的博客
05-18 1万+
var loadstr = '<video width="100%" height="100%" controls="controls" autobuffer="autobuffer" autoplay="autoplay" loop="loop"><source src="../Image/QQ%e8%a7%86%e9%a2%91201905151...
javascript 性能优化实战：异步和延迟加载
小伙伴们全都Lucky！
12-11 976
本文探讨JavaScript性能优化中的异步加载与延迟加载技术。异步加载通过async/defer属性或动态创建script元素避免阻塞渲染；延迟加载则利用IntersectionObserver API按需加载非关键资源。二者结合可显著提升性能：异步加载核心脚本确保交互流畅，延迟加载减少初始请求量。实践表明，该方案能降低DOMContentLoaded时间30%以上，减少初始加载量90%，但需注意async脚本的执行顺序问题和延迟加载的回退处理。文中提供了完整的代码实现示例。
XML Schema 日期/时间 数据类型
csbysj2020的博客
12-11 521
datedateTimetimegYeargYearMonthgDaygMonthgMonthDayduration这些数据类型分别表示不同的日期和时间范围，适用于不同的应用场景。本文介绍了 XML Schema 中日期/时间数据类型的相关概念、类型、格式以及注意事项。通过了解这些知识，有助于我们在 XML 文档中正确地表示日期和时间数据，提高数据的一致性和准确性。
车载系统应用开发集成系统API
最新发布
yangyulong0622的博客
12-16 131
车载开发中，为了快速迭代常将系统应用剥离为普通应用开发，但调用系统API时反射效率低。解决方法是通过集成framework.jar，但会遇到编译报错问题。通用方案是在gradle中配置bootstrapClasspath引入jar包。当使用高版本JDK时，必须强制指定模块使用JDK8并关闭lint检查才能生效。关键步骤：先加载jar包到工程，再设置模块JDK版本为1.8。
命令执行漏洞 (RCE) 渗透测试实战指南
weixin_45631123的博客
12-15 291
Burp Suite 或 OWASP ZAP 抓包工具、授权测试环境。：Burp Collaborator 或公网DNS服务器。：Java Web应用，可注入Java代码。：安装ysoserial工具、Java环境。：安装Commix、Python3环境。：识别表单输入点（如登录框）：无回显但命令执行成功时。：确认RCE漏洞存在。
基于Java+SpringBoot+Vue的美甲店管理系统【附源码+文档+部署视频+讲解)
小熊的博客
12-11 1701
基于SpringBoot的美甲店管理系统开发案例，涵盖用户、美甲师和管理员三大角色功能模块，采用Vue+SpringBoot+MySQL技术栈实现。系统包含服务预约、订单管理、耗材采购等全流程数字化功能，采用MVC设计模式和B/S架构。包含用户、美甲师、管理员三类角色的功能模块，该系统聚焦美甲店的日常运营场景，通过用户端浏览服务与套餐、美甲师端处理预约与评价、管理员端统筹人员、业务与资源的模式，实现美甲店从服务展示、预约调度到耗材管理的全流程数字化，提升门店运营效率与服务体验。
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
 
红包 添加红包
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