转：GUI Architectures

Martin Fowler的GUI架构
最新推荐文章于 2022-11-08 21:24:24 发布
最新推荐文章于 2022-11-08 21:24:24 发布
阅读量195 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： GUI
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/kenmlee/article/details/84233721
API接口：高效获取结构化领域数据
AI天才研究院
05-02 1586
在当今数字化时代，数据已成为驱动业务决策和创新的核心资源。随着互联网技术的快速发展和各行各业对数据需求的不断增长，如何高效、安全、准确地获取结构化领域数据成为了一个关键问题。API（应用程序编程接口）作为连接不同软件系统和服务的桥梁，在解决这一问题中扮演着至关重要的角色。背景介绍核心概念与联系核心算法原理与操作步骤数学模型和公式项目实战实际应用场景工具和资源推荐总结：未来发展趋势与挑战附录：常见问题与解答扩展阅读 & 参考资料。
GUI Architectures
qq513666573的专栏
05-29 725
There have been many different ways to organize the code for a rich client system. Here I discuss a selection of those that I feel have been the most influential and introduce how they relate to the
Passive View - Martin's "GUI Architectures" series (4)
05-31 149
zz from www.martinfowler.com To be translated... Passive View A screen and components with all application specific behavior extracted into a controller so that the widgets have their state controlled...
GUI架构（翻译）
abc89062的博客
11-30 299
原文地址http://www.martinfowler.com/eaaDev/uiArchs.html GUI架构 组织富客户端系统的代码有许多不同的方式。在这里我讨论最有影响力的方式，并介绍它们与模式的关系。 上次重大更新： 2006-7-18 对用户和开发者，图形用户界面(GUI)已成为软件景观一个常见部分。从设计的角度来看，它们...
GUIC前端语言介绍
深入他人之作
03-18 1546
GUIC前端抽象语言介绍     当今端技术框架可谓群龙并起，移动端原生态（Native）的IOS、Android、混合模式（Hybrid）的Ionic、Vue、React、Angular、及利用原生态的UI引擎Nativescript；桌面端的Bootstrap、Material Design等等等等。对于前端架构师来说很难从全方面衡量各种技术优劣，而对...
SALOME源码分析: GUI模块
国产CAx(CAD/CAE/CAM)软件研发
11-08 3078
SALOME是一套开源跨平台的CAE集成开发平台，包含全参数化建模、后处理可视化、求解器集成、分析优化等模块。而SUIT(SALOME User Interface Toolkit)则提供了整个GUI开发的基础。 本文拟主窗口、视图、菜单、工具栏等CAx软件界面组件方面探讨SALOME GUI模块实现的原理。
cmake_minimum_required(VERSION 3.10) project(processor) # 开启全局位置无关代码（对库生效） set(CMAKE_POSITION_INDEPENDENT_CODE ON) # 强制所有目标编译选项添加 -fPIC add_compile_options(-fPIC) # CUDA 相关 set(CMAKE_LIBRARY_PATH /usr/lib/x86_64-linux-gnu ${CMAKE_LIBRARY_PATH}) set(CMAKE_CUDA_ARCHITECTURES "60;70;75" CACHE STRING "CUDA architectures") set(CMAKE_CUDA_COMPILER /usr/local/cuda-12.4/bin/nvcc) enable_language(CUDA) # CUDA 传递 -fPIC 给 host 编译器 set(CMAKE_CUDA_FLAGS "${CMAKE_CUDA_FLAGS} -Xcompiler -fPIC") # 编译标准和类型 set(CMAKE_CXX_STANDARD 14) set(CMAKE_CXX_STANDARD_REQUIRED ON) set(CMAKE_BUILD_TYPE Debug) if(POLICY CMP0104) cmake_policy(SET CMP0104 NEW) endif() # 依赖包 find_package(OpenCV REQUIRED) find_package(CURL REQUIRED) find_package(ament_cmake REQUIRED) find_package(rclcpp REQUIRED) find_package(sensor_msgs REQUIRED) find_package(cv_bridge REQUIRED) # Qt 查找（优先 Qt6） find_package(Qt6 COMPONENTS Core Gui Widgets QUIET) if(NOT Qt6_FOUND) find_package(Qt5 5.15 COMPONENTS Core Gui Widgets REQUIRED) message(STATUS "Using Qt5 version ${Qt5_VERSION}") else() message(STATUS "Using Qt6 version ${Qt6_VERSION}") endif() # 包含目录 set(INCLUDE_DIRS /usr/local/cuda-12.4/include /home/chen/下载/TensorRT-10.2.0.19/include ${PROJECT_SOURCE_DIR}/include ${PROJECT_SOURCE_DIR}/src ${PROJECT_SOURCE_DIR}/plugin ${OpenCV_INCLUDE_DIRS} ${CURL_INCLUDE_DIRS} ) if(Qt6_FOUND) list(APPEND INCLUDE_DIRS ${Qt6Core_INCLUDE_DIRS} ${Qt6Gui_INCLUDE_DIRS} ${Qt6Widgets_INCLUDE_DIRS}) else() list(APPEND INCLUDE_DIRS ${Qt5Core_INCLUDE_DIRS} ${Qt5Gui_INCLUDE_DIRS} ${Qt5Widgets_INCLUDE_DIRS}) endif() link_directories( /usr/local/cuda-12.4/lib64 /home/chen/下载/TensorRT-10.2.0.19/lib /usr/lib/x86_64-linux-gnu ) # 源文件 file(GLOB_RECURSE SRC_CPP ${PROJECT_SOURCE_DIR}/src/*.cpp) file(GLOB_RECURSE SRC_CU ${PROJECT_SOURCE_DIR}/src/*.cu) file(GLOB_RECURSE PLUGIN_SRCS ${PROJECT_SOURCE_DIR}/plugin/*.cu) # TensorRT 插件库 add_library(myplugins SHARED ${PLUGIN_SRCS}) target_include_directories(myplugins PRIVATE ${INCLUDE_DIRS}) target_compile_options(myplugins PRIVATE -fPIC) target_link_libraries(myplugins PRIVATE nvinfer cudart) # 主程序（非Qt版本） add_executable(yolov5_paper src/inference_node.cpp src/pnp-new.cpp ${SRC_CPP} ${SRC_CU} ) target_include_directories(yolov5_paper PRIVATE ${INCLUDE_DIRS}) target_compile_options(yolov5_paper PRIVATE -fPIC) target_link_libraries(yolov5_paper nvinfer cudart myplugins ${OpenCV_LIBS} ${CURL_LIBRARIES} ) ament_target_dependencies(yolov5_paper rclcpp sensor_msgs cv_bridge ) # Qt GUI 程序（可选） if(Qt6_FOUND OR Qt5_FOUND) set(CMAKE_AUTOMOC ON) set(CMAKE_AUTOUIC ON) set(CMAKE_AUTORCC ON) set(QT_SOURCES src/main.cpp src/inference_node.cpp # 添加其他Qt相关的源文件 ) add_executable(qt_inference ${QT_SOURCES}) target_include_directories(qt_inference PRIVATE ${INCLUDE_DIRS}) target_compile_options(qt_inference PRIVATE -fPIC) if(Qt6_FOUND) target_link_libraries(qt_inference Qt6::Core Qt6::Gui Qt6::Widgets ${OpenCV_LIBS} nvinfer cudart myplugins ) else() target_link_libraries(qt_inference Qt5::Core Qt5::Gui Qt5::Widgets ${OpenCV_LIBS} nvinfer cudart myplugins ) endif() ament_target_dependencies(qt_inference rclcpp sensor_msgs cv_bridge ) endif() # 安装规则 install(TARGETS yolov5_paper DESTINATION lib/${PROJECT_NAME}) install(TARGETS myplugins ARCHIVE DESTINATION lib LIBRARY DESTINATION lib RUNTIME DESTINATION bin ) if(BUILD_TESTING) find_package(ament_lint_auto REQUIRED) set(ament_cmake_copyright_FOUND TRUE) set(ament_cmake_cpplint_FOUND TRUE) ament_lint_auto_find_test_dependencies() endif() ament_package() 修改cmake解决该问题
05-31
好的，我现在需要解决用户提到的“main.moc文件缺失”问题，并通过修改CMakeLists.txt来确保正确生成Qt的moc文件。用户之前已经得到了一些解决方案，现在更关注如何调整CMake配置。首先，我得回忆一下Qt项目中使用...
NeuralNetStudio：开源递归神经网络程序（RNN）。 [MATLAB]
02-04
NeuralNetStudio不仅限于RNN，也可能支持其他神经网络架构，如卷积神经网络（CNN）、自编码器、生成对抗网络（GAN）等，这些都可以通过GUI进行配置和训练。 **文件列表** "NeuralNetStudio-master"可能是项目源...
zynq gui框架
01-17
### GUI Frameworks for Zynq Development For developing graphical user interfaces on Zynq devices, several frameworks can be considered depending on specific requirements such as performance, ease of ...
GD32 F103 GUI
01-24
source lightweight C graphic library called Littlev GL also serves as another viable option when considering options for building UIs targeting smaller devices powered by similar architectures....
GUI架构
书山有路勤为径
12-27 1388
一）基本概念 底层驱动： 负责处理 graphic 或者 video 数据，并通过 encoder 输出到相应的显示终端    1）layer层的概念         一般都会提供若干个层：如：背景层，视频层，OSD显示层1，OSD显示层2，，，         根据每一层的硬件特性，可以设置相关的属性，往里头灌入相关的数据，以及对相关数据的操作    2）region数据块的概念        ...
MVC & MVP - Martin's "GUI Architectures" series (1) updated on 15 July. 07
05-31 155
翻译Martin的文章并没有跟人家打招呼，我想他太忙了。翻译文章要比翻译书轻松的多，没那么大压力，风格也不必那么拘泥。所以，我的翻译可能不是完全直译，这在多数时候是因为我的翻译水平问题。仅在我认为我的“曲译”会影响太大的时候，我才会把原文附在翻译后面。 ZZ from www.martinfowler.com GUI Architectures There have been many diffe...
springboot智能在线预约挂号系统【附万字论文+PPT+包部署+录制讲解视频】.zip
09-05
标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论，包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案，包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块，如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构，确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面，提升用户体验。3.4系统安全设计阐述系统安全策略，包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程，包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试，分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进，提升系统性能。第5章研究结果呈现系统实现后的效果，包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果，如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
基于机器学习方法的信用风险评估体系构建与实现
09-05
在金融行业中，对信用风险的判断是核心环节之一，其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法，尤其是Sklearn工具包，建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法，并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域，其基本理念是通过数据自动学习规律，而非依赖人工设定规则。在信贷分析中，该技术可用于挖掘历史数据中的潜在规律，进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn（Scikit-learn）是Python语言中广泛使用的机器学习模块，提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程，是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型，特别适用于二类问题。在信用评估中，该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值，从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法，适用于数据维度高、样本量小的情况。在信用分析中，该方法能够通过寻找最佳分割面，区分违约与非违约客户。通过选用不同核函数，可应对复杂的非线性关系，提升预测精度。 五、数据预处理步骤 在建模前，需对原始数据进行清理与转换，包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分，常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰，增强模型的适应性。 六、模型构建与验证 借助Sklearn，可以将数据集划分为训练集和测试集，并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时，更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力，可采用集成策略，如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差，增强整体预测的稳定性与准确性。 综上，基于机器学习的信用评估系统可通过Sklearn中的多种算法，结合合理的数据处理与模型优化，实现对借款人信用状况的精准判断。在实际应用中，需持续调整模型以适应市场变化，保障预测结果的长期有效性。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
橙色s（）_Orange's一个操作系统的实现(随书光盘).zip
09-05
橙色s（）_Orange's一个操作系统的实现(随书光盘).zip
perl-Hash-Flatten-1.19-26.el8.tar.gz
最新发布
09-05
# 适用操作系统：Centos8 #Step1、解压 tar -zxvf xxx.el8.tar.gz #Step2、进入解压后的目录，执行安装 sudo rpm -ivh *.rpm
jackson-dataformat-smile-2.20.0.jar中文-英文对照文档.zip
09-05
1、压缩文件中包含： 中文-英文对照文档、jar包下载地址、Maven依赖、Gradle依赖、源代码下载地址。 2、使用方法： 解压最外层zip，再解压其中的zip包，双击 【index.html】 文件，即可用浏览器打开、进行查看。 3、特殊说明： （1）本文档为人性化翻译，精心制作，请放心使用； （2）只翻译了该翻译的内容，如：注释、说明、描述、用法讲解 等； （3）不该翻译的内容保持原样，如：类名、方法名、包名、类型、关键字、代码 等。 4、温馨提示： （1）为了防止解压后路径太长导致浏览器无法打开，推荐在解压时选择“解压到当前文件夹”（放心，自带文件夹，文件不会散落一地）； （2）有时，一套Java组件会有多个jar，所以在下载前，请仔细阅读本篇描述，以确保这就是你需要的文件。 5、本文件关键字： jar中文-英文对照文档.zip,java,jar包,Maven,第三方jar包,组件,开源组件,第三方组件,Gradle,中文API文档,手册,开发手册,使用手册,参考手册。
Source code for common plots in various languages_libraries_
09-05
Source code for common plots in various languages_libraries_ R (base, ggplot2, rCharts) Python (matplotlib, seaborn, ggplot, bokeh, vincent), MATLAB, and Julia (Gadfly).zip
评论
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