最全教程:微信小程序开发入门详解

本文介绍了如何从零开始学习微信小程序开发,包括申请小程序账号、搭建开发环境、创建 HelloWorld 项目,并详细解析了 wxml 视图设计,包括组件、数据绑定和事件处理。适合初学者了解微信小程序的基础操作。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

笔者由于工作需要,曾经参加过一个微信小程序同 SAP 系统集成的项目,因此从零开始学习了微信小程序的开发知识。这里通过系列文章把自己所学分享出来,希望对相关学习者有所帮助。

步骤1:微信小程序的申请和开发环境的搭建


本步骤主要是微信小程序的注册和开发环境的搭建。

首先我们要在​ ​微信官方网站​​申请一个属于自己的微信小程序:

点击按钮 ​​前往注册​​。注意我们需要使用一个没有注册过微信小程序或者微信公众号的邮箱。我用的是网易邮箱。注册之后,邮箱会收到一封激活邮件。

激活之后,就可以进入小程序主体信息登记页面了。这里需要使用身份证号码和手机验证码进行登记。

登记完毕之后,就可以进入微信开发者工具了。我选择的是小程序项目:

 

 

 在开发管理->开发设计菜单里,找到我们刚才注册的微信小程序的 ID:抄下来,后面要用。

接下来,在下面这个​ ​链接​​去下载微信开发者工具:

大家可以把它当成是一个集成开发环境(IDE).

安装完毕后启动微信开发者工具,会要求我们指定一个本地项目目录和填写微信小程序的 AppID. 这个 ID 我们前一步已经抄下来了。

直接填进去,勾上 ​​建立普通快速启动模板​​,然后微信开发者工具会自动帮我们创建一个 ​​Hello World​​ 版本的微信小程序资源文件出来。

 自动创建好的小程序如下图所示,界面显示就是一个简单的 Hello World 文本。

 我们点击 ​​上传​​ 按钮:

随便维护一个版本号,比如 1.0.0, 然后点击 ​​上传​​。

 

然后回到小程序管理后台,能看到我们上面通过微信开发者工具上传的 1.0.0 版本的小程序了。我们点击 ​​提交审核​​​ 右边的下拉菜单,选择 ​​选为体验版本​​:

 

 会生成一个体验版的​​二维码​​,这时发送给你的朋友,就可以使用这个小程序了。

当您的朋友在手机上扫描该二维码,会看到如下界面:该小程序标注了​​体验版​​的提示:

 

点击​​前往体验版​​, 就能看到微信开发者工具自动生成的 Hello World 小程序了。

 

本文下一步骤会介绍微信小程序的视图设计原理。

 

步骤2:微信小程序的视图设计
本文以小程序的视图设计为主,就是下图所示 ​​pages/index​​​ 目录里的 ​​index.wxml​​ 文件。

 

我的日常工作是用一个叫做 SAP UI5 的前端框架做前端开发,刚好 SAP UI5 框架也支持创建 ​​xml​​ 格式的视图(UI), 和微信小程序的 ​​wxml​​非常相似。

做过 JSP 开发的朋友们,可以把 wxml 类比成 JSP 文件。

wxml 源代码:

<!--index.wxml-->
<view class="container">
<view class="userinfo">

<button wx:if="{{!hasUserInfo && canIUse}}" open-type="getUserInfo" bindgetuserinfo="jerry_getUserInfo"> 获取头像昵称 </button>

<block wx:else>

<image bindtap="bindViewTap" class="userinfo-avatar" src="{{userInfo.avatarUrl}}" mode="cover"></image>

<text class="userinfo-nickname">{{userInfo.nickName}}</text>

</block>

</view>

<view class="usermotto">

<text class="user-motto">{{motto}}</text>

</view>

</view>

下面逐一解释每行代码。

第二行:​​<view class="container">​​ 声明了一个视图元素,css 类型为 container. 这个​​container​​ 类是微信小程序自带的,如果删除,小程序视图位置会乱掉,参考我下面的测试:

所以需要保留。

第三行:​​<view class="userinfo">​​​ 其中 view 元素可以嵌套,相当于原生 HTML 里的 div 元素。此处定义了另一个 view 元素,css 类为 userinfo. 这个 css 类不是微信提供的,而是我们自己开发的,位于文件 ​​index.wxss​​ 里:

第四行:

​​<button wx:if="{{!hasUserInfo && canIUse}}" open-type="getUserInfo" bindgetuserinfo="jerry_getUserInfo"> 获取头像昵称 </button>​​

定义了一个按钮,标签为 ​​获取头像昵称​​。

这个按钮仅当表达式 ​​!hasUserInfo && canIUse​​ 为 true 时才显示。

button 是微信小程序框架提供的组件,组件是视图层的基本组成单元,自带一些功能与微信风格的样式。注意这里的 button 标签​​并不是​​ HTML 原生的标签。

在微信开发者​ ​官网​​上可以查询组件的 API.

下面这两个属性的含义:

open-type="getUserInfo": 点了这个按钮之后,会自动取当前点击了该按钮的微信用户的明细数据。
bindgetuserinfo="jerry_getUserInfo": 当用户数据成功取回来之后,执行我们自己开发的回调函数​​jerry_getUserInfo​​​, 该函数定义在小程序​​index/index.js​​ 里。
第五行到第八行:
 

<block wx:else>

<image bindtap="bindViewTap" class="userinfo-avatar" src="{{userInfo.avatarUrl}}" mode="cover"></image>

<text class="userinfo-nickname">{{userInfo.nickName}}</text>

</block>

 

这里定义了一个 block 区域,有两个 UI 元素组成:image 和 text.

对 image 元素,bindtap="bindViewTap", 意思是一旦点击,执行我们在 index.js 里实现的事件处理函数 bindViewTap.

class="userinfo-avatar": userinfo-avatar 也是我们在 wxss 里自定义的 css 类。
src="{{userInfo.avatarUrl}}": 该 image 的 src 属性绑定到数据模型 userInfo 的字段 avatarUrl 上。数据类型 userInfo 是 index.js 里创建的,绑定到当前的视图上。
而另一个文本元素 text 显示的文本绑定到 userInfo.nickName 上。

我们可以直接在手机上打开微信小程序的 console 页面,从而查看当前视图绑定的数据模型 userInfo 的明细,其中 userInfo.nickName 包含的值如下:

 

这里定义了一个 block 区域,有两个 UI 元素组成:image 和 text.

对 image 元素,bindtap="bindViewTap", 意思是一旦点击,执行我们在 index.js 里实现的事件处理函数 bindViewTap.

class="userinfo-avatar": userinfo-avatar 也是我们在 wxss 里自定义的 css 类。
src="{{userInfo.avatarUrl}}": 该 image 的 src 属性绑定到数据模型 userInfo 的字段 avatarUrl 上。数据类型 userInfo 是 index.js 里创建的,绑定到当前的视图上。
而另一个文本元素 text 显示的文本绑定到 userInfo.nickName 上。

我们可以直接在手机上打开微信小程序的 console 页面,从而查看当前视图绑定的数据模型 userInfo 的明细,其中 userInfo.nickName 包含的值如下:

本教程后续文章,我会讲解微信小程序工程里的 index.js 里的代码含义。 

### 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 4
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