Flex 4.6与Flash Builder 4.6:移动应用开发全攻略

需积分: 10 2 下载量 107 浏览量 更新于2024-07-26 收藏 4.15MB PDF 举报
本资源主要介绍了如何使用Adobe Flex 4.6 和 Adobe Flash Builder 4.6 开发针对移动设备的应用程序,特别关注于Android平台。它提供了详细的步骤和指导,帮助开发者理解移动设备应用开发与桌面和浏览器应用的不同之处。 在第1章中,开发者会了解到移动设备应用程序的基础,包括移动设备、桌面和浏览器应用间的区别,这对于理解和适应移动设备特有的界面和用户体验至关重要。 接下来的章节深入探讨了开发环境的设置,如在FlashBuilder中创建针对Android(第2章)、iOS(第2章)和BlackBerry Tablet OS(第2章)的应用。这里讲解了如何创建ActionScript项目,配置本地扩展,以及连接和测试设备的过程。 移动设备的用户界面和布局是核心内容,第3章详细介绍了各种控件的使用,如布局管理、处理用户输入、定义启动屏幕、视图和选项卡,以及如何实现滚动条、菜单、忙碌指示器、callout容器和过渡效果。此外,还涉及了日期时间选择和微调框列表的集成。 在第4章,开发者会学习如何设计应用程序的工作流程,包括实现持久性数据存储和适应不同屏幕尺寸和DPI值的技术。 文本处理在移动应用中同样重要,第5章涵盖了文本的使用、用户与文本的交互,以及如何处理软键盘和自定义字体。 外观设计(第6章)则着重于如何通过Flex和FlashBuilder 4.6为移动设备打造吸引人的视觉风格,确保应用与不同平台的UI标准保持一致。 这份资源为想要进入移动应用开发领域的Flex和Flash Builder开发者提供了一个全面的指南,从入门到高级技巧,涵盖了从开发环境配置到用户体验优化的各个环节。通过学习,开发者能有效地将现有的Flash游戏或应用快速转换为适应移动设备的高质量应用程序。

import random import logging logging.basicConfig(level=logging.INFO) import torch from pytorch_transformers import GPT2Tokenizer from pytorch_transformers import GPT2LMHeadModel # 选择 top-k 的函数的实现, def select_top_k(predictions, k=10): predicted_index = random.choice( predictions[0, -1, :].sort(descending=True)[1][:10]).item() return predicted_index # 载入预训练模型的分词器 tokenizer = GPT2Tokenizer.from_pretrained('gpt2') # 使用 GPT2Tokenizer 对输入进行编码 text = "Yesterday, a man named Jack said he saw an alien," indexed_tokens = tokenizer.encode(text) tokens_tensor = torch.tensor([indexed_tokens]) # 读取 GPT-2 预训练模型 model = GPT2LMHeadModel.from_pretrained("gpt2") model.eval() total_predicted_text = text n = 100 # 预测过程的循环次数 for _ in range(n): with torch.no_grad():#使用 torch.no_grad() 上下文管理器来关闭梯度计算,因为这个循环只是用于生成文本,不需要进行模型的参数更新 outputs = model(tokens_tensor)#调用 GPT-2 模型,将 tokens_tensor 输入到模型中,并获得模型的输出 outputs predictions = outputs[0] predicted_index = select_top_k(predictions, k=10)#调用函数,从预测结果中选择概率最高的前 10 个元素之一作为下一个词的索引 predicted_index predicted_text = tokenizer.decode(indexed_tokens + [predicted_index])#使用 tokenizer.decode() 将索引转换为文本,将其添加到 total_predicted_text 中 total_predicted_text += tokenizer.decode(predicted_index) if '<|endoftext|>' in total_predicted_text: # 如果出现文本结束标志,就结束文本生成 break indexed_tokens += [predicted_index] tokens_tensor = torch.tensor([indexed_tokens]) print(total_predicted_text)优化这段代码,使输出文本为新闻

2023-06-07 上传