Adobe Flex 4 教程预览版

需积分: 10 0 下载量 61 浏览量 更新于2024-09-19 收藏 3.22MB PDF 举报
"Flex4_Tutorials.pdf 是一个关于Adobe Flex 4的教程资料,适合学习者使用。该文档是2010年3月18日的预发行版本,可能不包含最终商业版本中的所有商标和版权信息。" 在本文档中,读者将深入学习Adobe Flex 4这一强大的开发框架,它主要用于构建富互联网应用程序(Rich Internet Applications,RIAs)。Flex 4是Adobe Flash Platform的一部分,允许开发者使用ActionScript和MXML来创建动态、交互式的Web应用。 Flex 4引入了一些显著的变化和改进,包括更加灵活的图形系统(Spark组件架构),使得开发者能够创建自定义的视觉元素,以及更加高效的编程模型。Spark组件库是对先前MX组件库的升级,提供了更好的性能和可扩展性。此外,Flex 4支持皮肤和样式,使得应用程序的外观和感觉可以根据需求进行定制。 文档可能会涵盖以下关键知识点: 1. **Flex Builder**:Adobe Flex Builder是一个集成开发环境(IDE),专为Flex应用开发设计,提供了代码编辑、调试和性能优化工具。 2. **ActionScript 3.0**:Flex 4基于ActionScript 3.0,这是一种面向对象的编程语言,为Flex应用提供动力。AS3提供了更加强大的功能和性能提升。 3. **MXML**:MXML是一种声明式语言,用于描述用户界面布局和组件结构,与ActionScript一起使用,实现视图和逻辑的分离。 4. **Flex组件**:学习如何使用和自定义Spark和MX组件,如按钮、面板、列表等,以构建复杂的用户界面。 5. **数据绑定**:理解Flex中的数据绑定机制,允许视图组件与应用数据模型自动同步。 6. **事件处理**:学习如何监听和处理用户交互事件,以实现应用的动态响应。 7. **Services and Data Integration**:了解如何使用Flex与各种后端服务(如AMF、SOAP、REST)集成,以及数据管理和服务调用。 8. **移动开发**:Flex 4支持移动设备应用开发,了解如何利用Flex SDK创建跨平台的应用程序。 9. **动画和效果**:学习如何使用Flex的动画API创建丰富的视觉效果和过渡。 10. **Flex应用程序生命周期**:掌握Flex应用从启动到关闭的整个生命周期,以及如何在不同阶段进行优化。 请注意,由于此文档是预发行版,可能存在未公开的功能或bug,学习时需要结合官方最终版本的文档和更新来确保信息的准确性。同时,尊重文档的创作共用许可协议,正确引用和分享内容。

import time import tensorflow.compat.v1 as tf tf.disable_v2_behavior() from tensorflow.examples.tutorials.mnist import input_data import mnist_inference import mnist_train tf.compat.v1.reset_default_graph() EVAL_INTERVAL_SECS = 10 def evaluate(mnist): with tf.Graph().as_default() as g: #定义输入与输出的格式 x = tf.compat.v1.placeholder(tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input') y_ = tf.compat.v1.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input') validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels} #直接调用封装好的函数来计算前向传播的结果 y = mnist_inference.inference(x, None) #计算正确率 correcgt_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(correcgt_prediction, tf.float32)) #通过变量重命名的方式加载模型 variable_averages = tf.train.ExponentialMovingAverage(0.99) variable_to_restore = variable_averages.variables_to_restore() saver = tf.train.Saver(variable_to_restore) #每隔10秒调用一次计算正确率的过程以检测训练过程中正确率的变化 while True: with tf.compat.v1.Session() as sess: ckpt = tf.train.get_checkpoint_state(minist_train.MODEL_SAVE_PATH) if ckpt and ckpt.model_checkpoint_path: #load the model saver.restore(sess, ckpt.model_checkpoint_path) global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1] accuracy_score = sess.run(accuracy, feed_dict=validate_feed) print("After %s training steps, validation accuracy = %g" % (global_step, accuracy_score)) else: print('No checkpoint file found') return time.sleep(EVAL_INTERVAL_SECS) def main(argv=None): mnist = input_data.read_data_sets(r"D:\Anaconda123\Lib\site-packages\tensorboard\mnist", one_hot=True) evaluate(mnist) if __name__ == '__main__': tf.compat.v1.app.run()对代码进行改进

2023-05-26 上传