Silverlight WCF RIA服务(十五)数据 5

进击的码农(一)——领域驱动设计(DDD)落地实战 前言 接触DDD也有一段时间了, 参考了很多前辈的分享,他们的知识和经验对自己的帮助很大。本文以一个订单服务为示例来落地,同时假设你对DDD的相关概念都已经有所了解。 代码结构 主流的都会采用分层架构的方式,如下: 同样,还有用依赖倒置(DI)的, 都差不多。我们同样采用分层架构,分层结构如下: interfaces用户接口层:用户请求的入口,通常就是些controller。 applicat... 阅读详情

层的组成
WCF RIA Services允许我们为具有层次概念的数据类创建应用逻辑,例如SalesOrderHeader实体和SalesOrderDetail实体。这样相关实体就组成了所谓的层次。定义了类之间的组成关系后,就可以像操作一个单一个体一样来操作对实体的数据修改,而不是像操作独立实体那样。这就会简化中间层的逻辑,因为我们可以对整个实体层来写应用逻辑,而不是把逻辑拆分对应每个实体并在数据操作时企图协调这些拆分的逻辑。
了解层的概念
在实体的层级概念中,一个实体被称为父实体,其他关联的实体被称为子实体。父实体是表示数据的类,是那些子实体数据的的根。例如,SalesOrderHeader实体是父实体,SalesOrderDetail是子实体。SalesOrderHeader实体内的一个记录可以和SalesOrderDetail实体内的多个记录连接起来。
作为层次关系一部分的数据类通常具有如下特征:


 

  • 这些实体间的关系可以表示为一个有子实体和一个父实体的树型结构。子实体可以扩展为任何数量的级别。
  • 子实体的生命周期是包含在父实体的生命周期内。
  • 子实体如果离开了父实体的上下文,就没有了有意义的身份。
  • 需要把实体看做单一个体来对实体进行数据操作。例如,添加、删除、或更新子实体内的一个记录,需要在父实体内也有相应的改动。

定义一个组成关系

要在实体间定义层次关系,可以对在实体间表示关联的成员属性应用CompositionAttribut属性。下面的示例展示了如何通过元数据类来在SalesOrderHeader和SalesOrderDetail之间定义层次关系。CompositionAttribute属性在System.Web.Ria.Data命名空间内。需要用using来引用这个命名空间。
 

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
[MetadataTypeAttribute(typeof(SalesOrderHeader.SalesOrderHeaderMetadata))]
public partial class SalesOrderHeader
{
    internal sealed class SalesOrderHeaderMetadata
    {
        private SalesOrderHeaderMetadata()
        {
        }
 
        [Include]
        [Composition]
        public EntitySet<SALESORDERDETAIL> SalesOrderDetails;
 
    }
}


 

 

当对成员属性应用CompositionAttribute属性时,子实体内的数据不能从父实体自动寻回。为了在查询结果中包含子实体,应该对表示子实体的成员属性应用IncludeAttribute属性,并在查询方法中包括子实体。可以参考最后的例子。

Domain Service操作组合的层次关系

当定义了组合层次后,需要改变父实体和子实体交互的方式。包含在Domain Service中的逻辑必须解释实体间的联系。通常,通过对父实体的Domain Service方法来定义层次的逻辑。在对父实体的Domain Service操作里,处理对父实体和子实体的更改。

下面的规则应用于Domain Service操作来操作有层次关系的实体。

  • 允许对父和子实体使用查询方法,但推荐在父实体的上下文内查询子实体。如果修改没有通过父实体装载的子实体会抛出一个异常
  • 可以添加对子实体的数据修改操作,但这些操作可以被父实体内的操作影响。

    • 如果允许对父实体更改,那么更改、插入、和删除操作被允许在子实体上。

       

    • 如果父实体有一个命名的更新named updated方法,那么所有子实体都必须允许更新操作。

       

    • 如果在父实体允许插入、删除,那么在子实体也应该允许对应的操纵。

       

     

在客户端,对有层次关系的实体应用下面的规则。

  • 当子实体包含一个改动,这个改动要通知给父实体。父实体上的HasChanges应设置为true。
  • 当一个父实体被改动,所有的子实体(包括没有改动的子实体)都被包括在改动集合中。
  • 在客户端的子实体中不会在Domain上下文中生成public的EntitySet,必须通过父实体来访问子实体。
  • 一个子实体可以在相同的级别上有多个始祖,但必须确认它只能在一个始祖的上下文中装载。

数据更改的操作按以下的规则运行。

  • 在递归执行任何子实体上的数据修改操作之前,更新、插入、或删除首先在父实体上执行。
  • 如果需要的数据操作没有出现在子实体中,那递归执行会停止。
  • 当更新一个父实体时,没有指定子实体数据操作的执行顺序。

下面的示例展示了SalesOrderHeader实体的查询、更改、删除方法。这些方法包含了在子实体内的处理改变的逻辑。


 

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
[EnableClientAccess()]
public class OrderDomainService : LinqToEntitiesDomainService<ADVENTUREWORKSLT_DATAENTITIES>
{
 
    public IQueryable<SALESORDERHEADER> GetSalesOrders()
    {
        return this.ObjectContext.SalesOrderHeaders.Include("SalesOrderDetails");
    }
 
    public void UpdateSalesOrder(SalesOrderHeader currentSalesOrderHeader)
    {
        SalesOrderHeader originalOrder = this.ChangeSet.GetOriginal(currentSalesOrderHeader);
 
        if ((currentSalesOrderHeader.EntityState == EntityState.Detached))
        {
            if (originalOrder != null)
            {
                this.ObjectContext.AttachAsModified(currentSalesOrderHeader, this.ChangeSet.GetOriginal(currentSalesOrderHeader));
            }
            else
            {
                this.ObjectContext.Attach(currentSalesOrderHeader);
            }
        }
 
        foreach (SalesOrderDetail detail in this.ChangeSet.GetAssociatedChanges(currentSalesOrderHeader, o => o.SalesOrderDetails))
        {
            ChangeOperation op = this.ChangeSet.GetChangeOperation(detail);
            switch (op)
            {
                case ChangeOperation.Insert:
                    if ((detail.EntityState != EntityState.Added))
                    {
                        if ((detail.EntityState != EntityState.Detached))
                        {
                            this.ObjectContext.ObjectStateManager.ChangeObjectState(detail, EntityState.Added);
                        }
                        else
                        {
                            this.ObjectContext.AddToSalesOrderDetails(detail);
                        }
                    }
                    break;
                case ChangeOperation.Update:
                    this.ObjectContext.AttachAsModified(detail, this.ChangeSet.GetOriginal(detail));
                    break;
                case ChangeOperation.Delete:
                    if (detail.EntityState == EntityState.Detached)
                    {
                        this.ObjectContext.Attach(detail);
                    }
                    this.ObjectContext.DeleteObject(detail);
                    break;
                case ChangeOperation.None:
                    break;
                default:
                    break;
            }
        }
    }
 
    public void DeleteSalesOrder(SalesOrderHeader salesOrderHeader)
    {
        if ((salesOrderHeader.EntityState == EntityState.Detached))
        {
            this.ObjectContext.Attach(salesOrderHeader);
        }
 
        switch (salesOrderHeader.Status)
        {
            case 1: // in process
                this.ObjectContext.DeleteObject(salesOrderHeader);
                break;
            case 2: // approved
            case 3: // backordered
            case 4: // rejected
                salesOrderHeader.Status = 6;
                break;
            case 5: // shipped
                throw new ValidationException("The order has been shipped and cannot be deleted.");
            default:
                break;
        }
 
    }
}
Silverlight技术解析:XAML渲染、RIA服务与现代Web遗产 Silverlight是微软推出的基于.NET的浏览器插件框架,代表了Web富客户端时代对高性能UI、强类型数据契约与安全沙箱模型的系统性探索。其核心在于XAML驱动的硬件加速渲染管线,跳过DOM直接对接GPU,实现接近原生的矢量动画性能;依托精简CLR运行时,支持托管代码与JavaScript双向低延迟通信;通过RIA Services建立领域模型级的数据同步机制,以变更集(ChangeSet)提升企业级数据交互效率。这些设计深刻影响了Blazor的组件化架构、WebAssembly的安全执行模型以及现代 阅读详情

相关推荐

15、深入探索WCF RIA Services:构建Silverlight应用的数据交互桥梁

本文深入探讨了如何使用WCF RIA Services构建Silverlight应用的数据交互桥梁。从数据绑定基础入手,分析了Silverlight在数据访问方面的挑战,并介绍了WCF RIA Services的优势与特点,如自动化代码生成、数据验证和与ASP.NET安全集成。文章还详细描述了如何搭建基于WCF RIA Services的解决方案结构,结合Entity Framework实现数据访问,并演示了客户端如何调用服务方法获取和处理数据。通过实际案例,展示了WCF RIA Services在构建n层

corn8的博客 141

ChangeSet的一些说明

三个属性 private Map&lt;EntityID, Map&lt;String, Property&gt;&gt; changes; private Set&lt;EntityID&gt; deleted; private Map&lt;EntityID, String&gt; entityURNs; changes 存储改变量,key为实体的ID,value为实...

qq_41842192的博客 3298

16、使用WCF RIA服务从服务器公开数据

本文介绍了如何使用WCF RIA服务从服务器公开数据,涵盖创建表示模型类、填充和公开数据、更新表示模型类型、跨层共享代码、处理服务器错误和并发冲突等内容。同时,文章提供了详细的操作步骤、代码示例和实际应用中的注意事项,帮助开发者更好地实现客户端和服务器之间的数据交互。

a1b2c的博客 35

SSH三层加固实战:Fail2Ban+Nftables+云防火墙纵深防御

SSH服务是Linux服务器最基础也最危险的远程入口,其安全本质在于对连接请求的身份认证、协议合规性与访问控制三重约束。理解SSH工作在应用层、Nftables作用于网络层、云防火墙位于基础设施层的分层原理,才能构建真正可靠的防护体系。技术价值体现在将暴力破解、端口扫描、SYN Flood等常见攻击分别拦截在日志分析、连接状态检测和网络边界三个阶段,显著降低被入侵概率。典型应用场景包括跳板机、CI/CD构建节点、对外提供SSH服务的云主机等高风险暴露面。本文聚焦Ubuntu 22.04生产环境,详解Fail

weixin_30299709的博客 611

Palantir解密:从企业数字化能力构成说起,“本体”如何破解现代企业数据应用难题?

抛开技术外壳来看,Palantir“本体”的理念内核其实并不复杂:构建一个统一、可操作的数字现实,以高效驱动决策与行动。其技术实施和产品沉淀的过程诚然是高复杂性、高难度的,但这正体现了Palantir所代表的新硅谷“All in AI+”的战略决心。对于我们而言,必须深刻认识到:企业数字化能力建设既不是高精尖技术的简单堆砌,也不是局部场景的数字化改良,而是一场企业级的“数字孪生”——关乎战略、组织与业务全域的体系能力的重塑。

SZSDQJC的博客 1685

2023年第二十届五一数学建模竞赛C题:“双碳”目标下低碳建筑研究-思路详解与代码答案

2023年第二十届五一数学建模竞赛C题:“双碳”目标下低碳建筑研究-思路详解与代码答案

lichensun的博客 1万+

安装Fedora 15后需做的25件事情

#1,设置sudo   在Ubuntu或其他发行版本下用惯sudo,我们可以通过下面方式来实现sudo。在命令行下输入   # visudo   然后,在配置文件中找到下面的几行内容:   ## Allow root to run any commands anywher

ximo's blog 384

基于STM32的半导体制冷片温度控制

制冷片温度控制,温控范围15℃~45℃,本人菜鸡一枚,大佬绕路。 #include "stm32f10x_gpio.h" #include "relay.h" void relay_Init(void){ GPIO_InitTypeDef GPIO_InitStructure; RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOB,ENABLE);//Ê...

大白兔的博客 9015

Silverlight WCF RIA服务(六)创建RIA Services 类库

RIA Services 类库允许我们创建能够重复使用的中间层和表现层逻辑。然而,使用RIA Services类库要比创建RIA Services解决方案复杂的多。 在本节演练中,将创建一个拥有RIA Services类库代码的SL应用程序。简单起见,把类库放在了SL应用程序相同的解决方案里。当然,类库也可以放在分开的解决方案中。 创建包含WCF RIA Services类库的SL解决方案

sam1012的专栏 1122

实战篇【2】-H3C防火墙开局基础配置

本篇文章为“H3C防火墙开局基础配置”,主要涵盖配置管理地址、聚合端口、安全区域、安全策略、静态路由、ACL,WEB和SSH远程管理、Console、SNMP、NTP时钟、日志主机等内容,对比交换机配置开局,增加两处配置,安全区域和安全策略。方便调试人员远程管理、调试。

weixin_47402139的博客 1万+

Chapter 7 Linear Voltage Regulators

这一章我们介绍LDO.

2304_76736886的博客 2764

WCF RIA Services使用详解

理解领域服务和领域操作 本文目录: 3.1 WCF Ria Services简介 3.1.1 什么是WCF Ria Services 3.1.2 WCF Ria Services如何生成客户端代码 3.1.3 如何使用WCF Ria Services 3.2 实战WCF Ria Services开发 3.2.1 使用Silverlight业务应用程序项目模板 3.2.2 使用E

sam1012的专栏 873

Ubuntu20.04系统Cuckoo sandbox所需环境搭建及安装(超详细图文)

请勿叫我大神,我只是互联网的搬运工~ 前言 本教程以Ubuntu20桌面版作为示范,服务器版同样适用,但可能稍微麻烦一点,服务器版本的话安装Xmanage套装使用可能会相对轻松一些,由于后面会使用到vbox的使用,对vbox命令行操作不熟悉的小伙伴用xmanage可能会相对轻松一点。 提示:以下是本篇文章正文内容,下面案例可供参考 安装ubuntu20桌面版 步骤1:转到https://ubuntu.com/download/desktop下载下载.iso。 步骤2:使用您选择的虚拟机监控程序(VMWa

ElsonHY的博客 1万+

Silverlight 4企业级开发实战:RIA时代的工程化启示

富互联网应用(RIA)是Web前端演进中的关键阶段,其核心在于突破浏览器沙箱限制,实现高性能、高安全、强交互的企业级体验。Silverlight作为典型RIA技术,依托.NET运行时、硬件加速渲染与WCF RIA Services等机制,解决了HTML5早期难以覆盖的金融交易、离线审批、DRM流媒体等硬核场景。它所代表的并非插件技术的成败,而是一种面向真实业务约束的工程思维——如声明式XAML开发、跨平台Portable Library抽象、基于变更集的离线同步、沙箱内建安全模型等。这些实践沉淀为现代前端架

unixboy 441

RAG-Anything 实战:构建企业级多模态知识图谱问答系统

本文详细介绍了如何利用RAG-Anything构建企业级多模态知识图谱问答系统,解决跨模态文档处理的痛点。通过架构设计解析、部署实战指南和典型业务场景解决方案,帮助企业实现高效的知识管理和智能检索,提升决策效率。

weixin_29089057的博客 385

C++面向对象编程-继承与派生练习题

2、共同派生类 3、人员类Person的派生(虚基类的使用)

编程小鹏的博客 1191

Silverlight+WCF象棋项目:RIA架构与分布式状态同步教学范本

RIA(富互联网应用)是一种强调客户端智能与服务端协同的Web应用架构范式,其核心在于UI响应性、状态一致性与服务契约抽象。本文以经典Silverlight+WCF象棋项目为载体,深入解析其背后的分布式状态同步机制、WCF RIA Services的变更集提交与类型桥接原理,以及MVVM分层设计如何支撑毫秒级拖拽交互。项目虽已停止支持,但其所体现的客户端状态管理、服务端业务规则复用、离线-在线混合同步等工程思想,高度契合现代前端框架(如Vue/Blazor)与微服务架构中的状态治理需求。通过这个边界清晰、逻

diaojin6880的博客 384

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")

Silverlight 应用 WCF RIA Services 在 IIS6 部署问题总结

摘自:http://www.cnblogs.com/haio/archive/2010/07/12/1775809.html   WCF RIA Services 部署在IIS6很简单,但是也会出现一些问题 我们的应用是Silverlight 4 Business Application,应用了WCF RIA Service, .net framework 4 环境下,所以遇到了一些问题 ...

weixin_34107739的博客 190

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

silverlight学习之路(1)创建 RIA Services 解决方案

学习过程真的很悲剧啊! 开发工具:VS2012+silverlight5

duyelang的专栏 1385

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Silverlight Web应用程序与 WCF服务 在 IIS6上 部署问题总结

<br />主要涉及的环境是Windows Server 2003 R2/企业版,未安装Visual Studio 2010环境时的布署。<br />安装.net framework 4,Silverlight sdk 4,Silverlight tools等软件包后,如果你的WCF RIA应用还不能正常运行,则要检查以下问题<br /> <br />1. asp.net的版本要选择为4.0.30319<br />解决:在IIS6管理器中,选择Web应用的属性,asp.net标签页中,Asp.net版本选为

Dumbbell的专栏 3691

WCF RIA 服务 《WCF RIA Services Documents 1.0 》中文翻译

转载连接:  http://blog.youkuaiyun.com/blackant2/article/category/672335     原版不见了,不全看这个。 如果英文好,直接看官方的WCF 《WCF RIA Services Documents 1.0 》,这篇文章是完全按照官方的提供的CHM帮助翻译过来的,图没有了,直接从Silverlight.cn或者微软下载WCF RIA SERVC

蓝叶菱的专栏 1078
上一篇: Silverlight WCF RIA服务(十四)数据 4
下一篇: Silverlight WCF RIA服务(十六)表示模型
sam1012
博客等级 码龄18年 17粉丝 31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