C#winform端SunnyUI之uiPagination

1 添加SunnyUI

1.1 添加工具包

在包管理器中安装SunnyUI,安装如图红色框选的包;
在这里插入图片描述

1.2 在工具引入SunnyUI所有控件

1. 2.1 新建工具箱选项卡

在工具箱中鼠标右击选择【添加新的选项卡】,输入选项卡名称【SunnyUI】
在这里插入图片描述

1.2.2 添加控件

在1.2.1的选项卡中鼠标右击,选择【选择项】,可能需要等待一会,会加载出1.2.3
在这里插入图片描述

1.2.3 添加DLL

点击【浏览】,
在这里插入图片描述
在当前项目的生成目录中找到,如下图所示DLL,选择后,点击确定完成控件引入;
在这里插入图片描述

2 uiPagination介绍

在这里插入图片描述

2.1 基本属性

[Category("SunnyUI")]
[DefaultValue(1)]
[Description("选中页面")]
public int ActivePage { get; set; }


[Category("SunnyUI")]
[DefaultValue(4)]
[Description("按钮间隔")]
public int ButtonInterval { get; set; }

[AttributeProvider(typeof(IListSource))]
[Category("SunnyUI")]
[DefaultValue(null)]
[Description("数据源")]
[RefreshProperties(RefreshProperties.Repaint)]
public object DataSource { get; set; }

[Browsable(false)]
[Category("SunnyUI")]
[Description("总页数")]
public int PageCount { get; }


[Description("当前页的数据")]
[Browsable(false)]
public object PageDataSource { get; }

[Category("SunnyUI")]
[DefaultValue(7)]
[Description("页码按钮的数量,当总页数超过该值时会折叠,大于等于5且小于等于13的奇数")]
public int PagerCount { get; set; }

[Category("SunnyUI")]
[DefaultValue(20)]
[Description("每页显示条目个数")]
public int PageSize { get; set; }

[Category("SunnyUI")]
[DefaultValue(true)]
[Description("显示页面跳转按钮")]
public bool ShowJumpButton { get; set; }

[Category("SunnyUI")]
[DefaultValue(1000)]
[Description("总条目数")]
public int TotalCount { get; set; }

2.2 绑定数据源


DataTable dt = new DataTable();

/*
 * 向dt 中添加数据
 */

//DataTable 绑定给uiPagination1
uiPagination1.DataSource = dt.Copy();

2.3 绑定datagridview

 if (uiPagination1.PageDataSource != null)
 {
     uiDataGridView1.DataSource = uiPagination1.PageDataSource;
 }

### 扩散策略在机器学习中的概念 扩散模型是一种强大的生成模型,在图像、音频和其他数据类型的生成任务中表现出色。这些模型通过逐步向输入数据添加噪声来训练,随后再学习如何逆转这个过程以去除噪声并恢复原始数据[^1]。 具体来说,扩散策略(Diffusion Policy)通常指利用这种去噪机制来进行决策制定的过程。这类方法可以应用于强化学习领域,其中代理(agent)学会执行一系列动作以最大化累积奖励。在这种背景下,扩散策略能够帮助解决连续控制问题,并且已经在机器人技术和自动驾驶汽车等领域显示出巨大潜力[^2]。 为了实现这一点,研究人员开发出了基于变分推理框架下的算法,使得模型能够在高维空间内有效地探索可能的状态转移路径。此外,还引入了时间反演技术,允许更灵活地调整采样步骤的数量以及每一步骤之间的间隔大小,从而提高了效率和性能表现[^3]。 ```python import torch from diffusers import DiffusionPipeline pipeline = DiffusionPipeline.from_pretrained('model_name') image = pipeline(prompt="an example image").images[0] ``` 此代码片段展示了如何加载预训练好的扩散模型并通过给定提示词生成一张图片。虽然这只是一个简单的例子,但它体现了扩散策略背后的核心思想——即通过对潜在分布施加渐进式的扰动来引导最终输出的结果。
评论 18
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