Flex之表单验证

Flex之表单验证
2010年04月23日
  Flex之表单验证(2)
  2010-04-22 17:49
  代码如下 :
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  ComboBox id="state" prompt="选择部门" selectedIndex="-1" dataProvider="{statesXMLList}" labelField="@label" />
  
  
  
  
  
  
  
  
  
  
  
  
  Flex 表单验证大全
  2010-04-22 17:42
  1.验证必填项
  代 码如下:
  
  
  
  
  
  Validator组件的功能是检测必填项。我们把要检测的组件的名字写在source属性中,把要检测的组件的属性写在property属性中,然后自 定义 requiredFieldError属性的值即可。当然requiredFieldError属性的值也可以不定义,那么就会使用默认的提示文字。
  上面的错误提示的文字有些看不清,只需要加上这样一句就OK了:
  
  .errorTip
  {
  fontSize: 12;
  }
  
  2.控制检测时机
  默认的情况下,Flex当我们切换组件焦点的时候检测
  任意动作触发验证有两种写法。一种是在验证组件中指明触发器和触发动作。另一种是执行事件处理函数。
  在验证组件中指明触发器和触发动作的语法如下所示。
  
  下面这个例子为按Tab键切换焦点已经不能触发检测动作了,只有单击“提交”按钮才会触发检测。
  
  
  
  
  
  
  
  
  
  
  
  
  在默认情况下,Validator 会在Flex发出valueCommit事件的时候进行检测,因此当焦点改变的时候,会自动进行检测。而上面的源码中,则手动指定了进行检测的事件是 btn按钮的click事件。
  任意动作的触发也可采用代码触发验证方式。
  其语法如下所示。
  
  验证组件都包含一个validate方法,用以代码执行验证。
  比 如:
  
  3.验 证失败处理
  验证失败时需要做错误的提示及处理。验证组件中提供了丰富的错误类型,只是这些错误类型的提示是英文的,用户可能需要改变提示。修改错误提示的方法是修改 组件中相应的错误类型属性。例PhoneNumberValidator组件中的wrongLengthError属性表示长度错误提示。
  用户可根据需要修改相应的出错信息。其语法如下所示。
  
  例:
  //引用ValidationResult Event类
  import mx.events.ValidationResultEvent;
  private function checkHandle():void //验证处理函数
  {
  if(emailV.validate().type==ValidationResultEvent.VALID)
  {
  Alert.show("电子邮件验证成功"); //提示"验证成功"
  }
  }
  
  
  注:
  If(验证组件id.validate().type==ValidationResultEvent.VALID)
  ValidationResultEvent类包含于“mx.events.*”中,是验证结果事件类。其中,INVALID值表示验证失败,VALID 值表示验证成功。
  Validator还有一个listen 属性,它用来指定检测的错误信息显示在哪个组件上。例:
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  对于性别的选择,由于检测两个RadioButton比较麻烦,采用了检测RadioButtonGroup的 selectedValue属性的方法,如果这个属性为空,就说明两个RadioButton都没有选择。但RadioButtonGroup并不是一个 可视组件,检测的错误信息无法显示出来,所以这里就使用了listen属性将显示信息转到maleRB组件上进行显示了。
  4.批量验证
  创建一个表 单
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  //创建验证控件,放在数组里
  
  
  
  //通过数组,创建组合验证
  
  
  
  
  
  //代码
  private function btnSubmit_click():void{
  //分别检测验证是否通过,如果没有通过,则通过派发事件,主动显示错误提示
  if(Validator.validateAll(roleEnNameValidators).length != 0)
  roleEnName.dispatchEvent(new MouseEvent(MouseEvent.MOUSE_OVER));
  else if(Validator.validateAll(roleNameValidators).length != 0)
  roleName.dispatchEvent(new MouseEvent(MouseEvent.MOUSE_OVER));
  else
  {
  var par:powerModule = this.owner as powerModule;
  par.roleList.addItem({label:"大三辅导员",data:"3"});
  var model:RoleModel=new RoleModel();
  model.roleName="大三辅导员";
  model.roleEnName="daisan";
  model.roleID=par.personVo.departID+"."+model.roleEnName;
  model.ysxh="010200";
  model.roleDescribe="测试用的";
  AddRoleResult.token=roleService.add(model);
  }
  }
  附录:
  1.邮件验证
  
  2.字符串长度验证
  
  3.日期验证
  
  4.英文字母验证
  
  5.年龄验证
  
  6.性别验证
  
  
  
  
  
  
  
  flex最全的表单验证 收藏
  2010年01月02日 星期六 下午 04:27
  
  
  
  import mx.controls.Alert;
  public function openUrl():void{
  navigateToURL(new URLRequest("http://hi.baidu.com/woaidelphi/"), "_blank");
  }
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  参考文献:
  1.用 Validator组件检测必填项. http://blog.youkuaiyun.com/zzr173/archive/2008/09/14/2842409.aspx
  2.批量检查 validator. http://blog.youkuaiyun.com/supsteven/archive/2009/04/11/4062882.aspx
  3.一个让 validator验证时,立即出现tooltip的小方法. http://blog.youkuaiyun.com/supsteven/archive/2009/04/15/4076343.aspx
  4.flex 的数据验证. http://blog.youkuaiyun.com/turkeyzhou/archive/2008/11/29/3397172.aspx
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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