精华内容
下载资源
问答
  • 生成工具:基于senchalib 的jsduck 一个ruby写的生成工具。 在...安装完成后在本地环境变量path上添加jsduck 的磁盘位置 ...cmd 下执行以下命令查看安装成功?...生成js文档

    生成工具:基于senchalib 的jsduck 一个ruby写的生成工具。


    1. https://github.com/senchalabs/jsduck上面下载最新的jsduck.exe

    2. 安装完成后在本地环境变量path上添加jsduck 的磁盘位置

    3. cmd 下执行以下命令查看安装成功?jsduck --help

    4. 生成js文档

    执行命令

    jsduck E:/src/ --builtin-classes --output e:/docs

    其中,前面一个是源码所在目录


    具体的可以通过 jsduck --help 查看更多配置参数


    命令中“”开头的为命令的参数,以下是一些常用的命令

    • –builtin-classes:构建javascript语言内建类文档,如ArrayObject类的使用说明。

    • –output:文档输出所在目录。

    • –encoding:编码默认为utf-8,如果js文件中包含了中文字符设置gbk即可。

    • –welcome:为一个html文件的路径,文件中的内容会被解析出来放到文档的欢迎页显示。

    • –eg-iframe:配置一个html文件路径,这个html文件用来配置@example范例的预览方式,如需要生成非ExtJs或者sencha touch项目的话通常都需要自定义配置。

    • –images:如果文档中引入了图片需配置一个图片目录。

    • –title:自定义文档的标题

    • –footer:自定义文档脚注

    • –helpfull 显示帮助文档。



    展开全文
  • android api教程

    2010-04-18 20:53:38
    开始 安装SDK 更新SDK 开发与调试 Hello Android 应用程序解析 记事本教程 开发工具 应用程序模型 应用程序生命周期 开发应用程序 用户界面工具 组成部分 数据存储与取回 安全模型 资源与国际化设置 开发工具箱 ...
  • 这个API文档可是从ADC的 iPhone Dev Center 得到、如果安装了 Xcode 可以直接在菜单中点击「Documentation」,就可以了,如下图所示。 <br />左边显示了现在可以利用的文档。刚安装好 iPhone SDK 的...

    开发 iPhone 应用程序首先需要理解 Cocoa Touch 的应用开发框架。程序中想要实现什么样的功能,需要使用怎样的API,只有有相应的API才能实现你的想法,创意。

    这个API的文档可是从ADC的 iPhone Dev Center 得到、如果安装了 Xcode 可以直接在菜单中点击「Documentation」,就可以了,如下图所示。

    XcodeDocument

    左边显示了现在可以利用的文档。刚安装好 iPhone SDK 的时候,相应的文档应该还没有安装上,需要重新下载:点击「SUBSCRIBE」按钮就开始下载了。

    你可以随时下载,并设定自动下载 — 通过下面的齿轮按钮可以设置下载的间隔。只是下载/安装比较耗费CPU资源,所以尽量避开在开发的过程中下载。

    点击右上角的标签按钮,可以检索各种文档。如果确实是你 iPhone 中使用的API时,显示如下图一样,左边的列表与上面标签显示的一样为「iPhone OS x.x Library」。

    XcodeDocument

    另外,Mac OS X 用的 Cocoa 与 iPhone 用的 Cocoa Touch 有些不一样,虽然有的API名字相同,但是机能或多或少有些差别的有很多,所以开发的时候最好注意了。

    展开全文
  • ofbiz综合技术文档

    2018-05-03 18:39:36
    OFBiz安装与设置 88 第十二部分:Soap的用法 91 一、soap应用的两种情况 91 1、ofbiz 将其他的webservice 封装成服务,这时ofbiz的应用系统可以直接调用该服务,以访问其他的Webservice: 92 2、其他的soap客户端...
  • 在使用本指南前,先安装TensorFlow。为了最有效使用该指南,你需要先了解一下内容: 怎样用Python来编程。 至少对数组有一点了解。 最好对机器学习有一些了解。但是如果你只是了解一点点甚至还没有了解过...

    0?wx_fmt=gif&wxfrom=5&wx_lazy=1


    本指南指引你在TensorFlow上面编程。在使用本指南前,先安装TensorFlow。为了最有效使用该指南,你需要先了解一下内容:

    • 怎样用Python来编程。

    • 至少对数组有一点了解。

    • 最好对机器学习有一些了解。但是如果你只是了解一点点甚至还没有了解过机器学习,这依然是你第一篇需要阅读的指南。

    TensoFlow提供了多样API。 最低级别API –TensorFlow Core– 提供给你完整的编程控制。我们推荐机器学习研究者和其他需要对模型进行良好控制的人使用TensorFlow Core。较高级别的API构建在TensorFlow Core之上。这些更高级的API通常比TensorFlow Core更容易学习和使用。另外,较高级别的API使重复任务更容易,并且在不同用户之间更一致。像tf.estimator这样的高级API可以帮助你管理数据集,估计器,训练和推理。

    本指南从TensorFlow Core教程开始。然后我们将演示如何在tf.estimator中实现相同的模型。了解TensorFlow Core原理,在你使用高级API时理解它们的内部工作会很有帮助。

    Tensors(张量)

    TensorFlow中的数据中心单位是张量。张量由一组任意数量的阵列的原始值组成。张量的阶(rank)是其维数。以下是张量的一些例子:

    3 # a rank 0 tensor; this is a scalar with shape []
    [1., 2., 3.] # a rank 1 tensor; this is a vector with shape [3]
    [[1., 2., 3.], [4., 5., 6.]] # a rank 2 tensor; a matrix with shape [2, 3]
    [[[1., 2., 3.]], [[7., 8., 9.]]] # a rank 3 tensor with shape [2, 1, 3]

    TensorFlow核心教程

    导入TensorFlow

    TensorFlow程序的规范导入声明如下:

    import tensorflow as tf

    这让Python可以访问TensorFlow的所有类,方法和符号。大多数文档假设您已经完成了。

    计算图

    你可能会认为TensorFlow 核心程序由两个不同的部分组成:

    1.构建计算图。

    2.运行计算图。

    一个计算图是一系列TensorFlow操作排列成节点的图。我们来构建一个简单的计算图。每个节点采用零个或多个张量作为输入,并产生一个张量作为输出。一种类型的节点是一个常数。像所有TensorFlow常量一样,它不需要任何输入,它输出一个内部存储的值。我们可以创建两个浮点式张量node1 ,node2如下所示:

    node1 = tf.constant(3.0, dtype=tf.float32)
    node2 = tf.constant(4.0) # also tf.float32 implicitly
    print(node1, node2)

    最后的打印语句输出

    Tensor("Const:0", shape=(), dtype=float32) Tensor("Const_1:0", shape=(), dtype=float32)

    注意,打印节点不会如你所期望的那样输出值3.0,4.0。相反,它们是在评估时分别产生3.0和4.0的节点。要实际评估节点,我们必须在会话中运行计算图。会话封装了TensorFlow运行时的控制和状态。

    下面的代码创建一个Session对象,然后调用其run方法运行足够的计算图来评估node1和node2。通过在会话中运行计算图如下:

    sess = tf.Session()
    print(sess.run([node1, node2]))

    我们看到3.0和4.0的预期值:

    [3.0, 4.0]

    我们可以通过将Tensor节点与操作相结合来构建更复杂的计算(操作也是节点)。例如,我们可以添加我们的两个常量节点并生成一个新的图,如下所示:

    node3 = tf.add(node1, node2)
    print("node3:", node3)
    print("sess.run(node3):", sess.run(node3))

    最后两个print语句生成

    node3: Tensor("Add:0", shape=(), dtype=float32)
    sess.run(node3): 7.0

    TensorFlow提供了一个名为TensorBoard的实用工具,可以显示计算图的图片。这是一个屏幕截图,显示TensorBoard如何可视化图形:

    0?wx_fmt=png

    就像这样,这个图并不是特别有趣,因为它总是产生一个常量结果。可以将图形参数化为接受外部输入,称为占位符。一个占位符预示着会提供一个值。

    a = tf.placeholder(tf.float32)
    b = tf.placeholder(tf.float32)
    adder_node = a + b  # + provides a shortcut for tf.add(a, b)

    前面的三行有点像一个函数或一个lambda,其中我们定义了两个输入参数(a和b),然后对它们进行一个操作。我们可以通过使用run方法的feed_dict参数来对多个输入进行评估, 以将具体值提供给占位符:

    print(sess.run(adder_node, {a: 3, b: 4.5}))
    print(sess.run(adder_node, {a: [1, 3], b: [2, 4]}))

    输出结果

    7.5
    [ 3.  7.]

    在TensorBoard中,图如下所示:

    0?wx_fmt=png

    我们可以通过添加另一个操作使计算图更加复杂。例如,

    add_and_triple = adder_node * 3.
    print(sess.run(add_and_triple, {a: 3, b: 4.5}))

    产生输出

    22.5

    前面的计算图在TensorBoard中将如下所示:

    0?wx_fmt=png

    在机器学习中,我们通常会想要一个可以接受任意输入的模型,比如上面的一个。为了使模型可训练,我们需要能够修改图形以获得具有相同输入的新输出。 变量允许我们向图中添加可训练的参数。它们的构造类型和初始值:

    W = tf.Variable([.3], dtype=tf.float32)
    b = tf.Variable([-.3], dtype=tf.float32)
    x = tf.placeholder(tf.float32)
    linear_model = W * x + b

    常量在调用tf.constant时被初始化,其值永远不会改变。相比之下,当调用tf.Variable,变量不会被初始化。要初始化TensorFlow程序中的所有变量,您必须显式调用特殊操作,如下所示:

    init = tf.global_variables_initializer()
    sess.run(init)

    重要的是要实现initTensorFlow子图的一个句柄来初始化所有的全局变量。直到我们调用sess.run,这些变量才被初始化。

    既然x是占位符,我们可以同时评估linear_model几个值, x如下所示:

    print(sess.run(linear_model, {x: [1, 2, 3, 4]}))

    产生输出

    [ 0.          0.30000001  0.60000002  0.90000004]

    我们创建了一个模型,但是我们不知道它有多好。为了评估训练数据的模型,我们需要一个y占位符来提供所需的值,我们需要写一个损失函数。

    损失函数测量当前模型与提供的数据之间的差距。我们将使用线性回归的标准损失模型,它将当前模型和提供的数据之间的三角形的平方相加。linear_model – y创建一个向量,其中每个元素是对应示例的误差增量。我们调用tf.square与那个误差一致。然后,我们创建一个单一的标量求和所有平方误差,使用tf.reduce_sum方法抽象出所有示例的误差:

    y = tf.placeholder(tf.float32)
    squared_deltas = tf.square(linear_model - y)
    loss = tf.reduce_sum(squared_deltas)
    print(sess.run(loss, {x: [1, 2, 3, 4], y: [0, -1, -2, -3]}))

    产生损失值

    23.66

    我们可以通过手动重新赋值W和b为完美的-1和1来让提升上面的例子。一个变量由用于tf.Variable的值初始化,但可以使用类似tf.assign这些操作来改变。例如, W=-1并且b=1是我们的模型的最佳参数。我们可以改变W和b:

    fixW = tf.assign(W, [-1.])
    fixb = tf.assign(b, [1.])
    sess.run([fixW, fixb])
    print(sess.run(loss, {x: [1, 2, 3, 4], y: [0, -1, -2, -3]}))

    最终打印显示现在的损失为零。

    0.0

    我们猜测到W和b“完美”的值,但机器学习的意义是自动地找到正确的模型参数。我们将在下一节中展示如何完成此项工作。

    tf.train API

    机器学习的完整讨论超出了本教程的范围。然而,TensorFlow提供了优化器,可以缓慢地更改每个变量,以便最大限度地减少损失函数。最简单的优化器是梯度下降。它根据该变量的损失导数的大小修改每个变量。通常,手动计算符号导数是冗长乏味且容易出错的。因此,TensorFlow可以在仅给出模型描述使用tf.gradients函数自动生成导数。为了简单起见,优化器通常会这样做。例如,

    optimizer = tf.train.GradientDescentOptimizer(0.01)
    train = optimizer.minimize(loss)
    sess.run(init) # reset values to incorrect defaults.
    for i in range(1000):
      sess.run(train, {x: [1, 2, 3, 4], y: [0, -1, -2, -3]})
    
    print(sess.run([W, b]))

    导致最终的模型参数:

    [array([-0.9999969], dtype=float32), array([ 0.99999082],
     dtype=float32)]

    现在我们完成了实际的机器学习!尽管这样做简单的线性回归并不需要太多的TensorFlow核心代码,但更复杂的模型和方法将数据输入到模型中需要更多的代码。因此,TensorFlow为常见的模式、结构和功能提供了更高级别的抽象。我们将在下一节中学习如何使用这些抽象。

    完整程序

    完整的可训练线性回归模型如下所示:

    import tensorflow as tf
    
    # Model parameters
    W = tf.Variable([.3], dtype=tf.float32)
    b = tf.Variable([-.3], dtype=tf.float32)
    # Model input and output
    x = tf.placeholder(tf.float32)
    linear_model = W * x + b
    y = tf.placeholder(tf.float32)
    
    # loss
    loss = tf.reduce_sum(tf.square(linear_model - y)) # sum of the squares
    # optimizer
    optimizer = tf.train.GradientDescentOptimizer(0.01)
    train = optimizer.minimize(loss)
    
    # training data
    x_train = [1, 2, 3, 4]
    y_train = [0, -1, -2, -3]
    # training loop
    init = tf.global_variables_initializer()
    sess = tf.Session()
    sess.run(init) # reset values to wrong
    for i in range(1000):
      sess.run(train, {x: x_train, y: y_train})
    
    # evaluate training accuracy
    curr_W, curr_b, curr_loss = sess.run([W, b, loss], {x: x_train, y: y_train})
    print("W: %s b: %s loss: %s"%(curr_W, curr_b, curr_loss))

    运行时,它会产生

    W: [-0.9999969] b: [ 0.99999082] loss: 5.69997e-11

    请注意,损失是非常小的数字(非常接近零)。如果您运行此程序,您的损失可能不完全相同,因为模型使用伪随机值初始化。

    这个更复杂的程序仍然可以在TensorBoard中进行可视化

    0?wx_fmt=png

    tf.estimator

    tf.estimator 是一个高级TensorFlow库,简化机器学习的机制,包括:

    • 运行训练循环

    • 运行评估循环

    • 管理数据集

    tf.estimator定义了许多常见的模型。

    基本用法

    注意,用了tf.estimator线性回归程序变得简单得多:

    import tensorflow as tf
    # NumPy is often used to load, manipulate and preprocess data.
    import numpy as np
    
    # Declare list of features. We only have one numeric feature. There are many
    # other types of columns that are more complicated and useful.
    feature_columns = [tf.feature_column.numeric_column("x", shape=[1])]
    
    # An estimator is the front end to invoke training (fitting) and evaluation
    # (inference). There are many predefined types like linear regression,
    # linear classification, and many neural network classifiers and regressors.
    # The following code provides an estimator that does linear regression.
    estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)
    
    # TensorFlow provides many helper methods to read and set up data sets.
    # Here we use two data sets: one for training and one for evaluation
    # We have to tell the function how many batches
    # of data (num_epochs) we want and how big each batch should be.
    x_train = np.array([1., 2., 3., 4.])
    y_train = np.array([0., -1., -2., -3.])
    x_eval = np.array([2., 5., 8., 1.])
    y_eval = np.array([-1.01, -4.1, -7, 0.])
    input_fn = tf.estimator.inputs.numpy_input_fn(
        {"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)
    train_input_fn = tf.estimator.inputs.numpy_input_fn(
        {"x": x_train}, y_train, batch_size=4, num_epochs=1000, shuffle=False)
    eval_input_fn = tf.estimator.inputs.numpy_input_fn(
        {"x": x_eval}, y_eval, batch_size=4, num_epochs=1000, shuffle=False)
    
    # We can invoke 1000 training steps by invoking the  method and passing the
    # training data set.
    estimator.train(input_fn=input_fn, steps=1000)
    
    # Here we evaluate how well our model did.
    train_metrics = estimator.evaluate(input_fn=train_input_fn)
    eval_metrics = estimator.evaluate(input_fn=eval_input_fn)
    print("train metrics: %r"% train_metrics)
    print("eval metrics: %r"% eval_metrics)

    运行时,它会产生

    train metrics: {'loss': 1.2712867e-09, 'global_step': 1000}
    eval metrics: {'loss': 0.0025279333, 'global_step': 1000}

    请注意我们的eval数据有较高的损失,但仍然接近于零。这意味着我们正在学习。

    定制模型

    tf.estimator不会将您锁定到其预定义的模型中。假设我们想创建一个没有内置到TensorFlow中的自定义模型。我们仍然可以保留tf.estimator的数据集、供给、训练等的高级抽象 。为了说明,我们将展示如何使用我们对较低级别TensorFlow API的了解实现我们自己的LinearRegressor等效模型。

    要定义一个使用tf.estimator的自定义模型,我们需要使用 tf.estimator.Estimator。tf.estimator.LinearRegressor实际上是tf.estimator.Estimator一个子类。相对于子类Estimator,我们只是提供Estimator一个告诉 tf.estimator如何能评估预测,训练步骤和损失的model_fn函数 。代码如下:

    import numpy as np
    import tensorflow as tf
    
    # Declare list of features, we only have one real-valued feature
    def model_fn(features, labels, mode):
      # Build a linear model and predict values
      W = tf.get_variable("W", [1], dtype=tf.float64)
      b = tf.get_variable("b", [1], dtype=tf.float64)
      y = W * features['x'] + b
      # Loss sub-graph
      loss = tf.reduce_sum(tf.square(y - labels))
      # Training sub-graph
      global_step = tf.train.get_global_step()
      optimizer = tf.train.GradientDescentOptimizer(0.01)
      train = tf.group(optimizer.minimize(loss),
                       tf.assign_add(global_step, 1))
      # EstimatorSpec connects subgraphs we built to the
      # appropriate functionality.
      return tf.estimator.EstimatorSpec(
          mode=mode,
          predictions=y,
          loss=loss,
          train_op=train)
    
    estimator = tf.estimator.Estimator(model_fn=model_fn)
    # define our data sets
    x_train = np.array([1., 2., 3., 4.])
    y_train = np.array([0., -1., -2., -3.])
    x_eval = np.array([2., 5., 8., 1.])
    y_eval = np.array([-1.01, -4.1, -7, 0.])
    input_fn = tf.estimator.inputs.numpy_input_fn(
        {"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)
    train_input_fn = tf.estimator.inputs.numpy_input_fn(
        {"x": x_train}, y_train, batch_size=4, num_epochs=1000, shuffle=False)
    eval_input_fn = tf.estimator.inputs.numpy_input_fn(
        {"x": x_eval}, y_eval, batch_size=4, num_epochs=1000, shuffle=False)
    
    # train
    estimator.train(input_fn=input_fn, steps=1000)
    # Here we evaluate how well our model did.
    train_metrics = estimator.evaluate(input_fn=train_input_fn)
    eval_metrics = estimator.evaluate(input_fn=eval_input_fn)
    print("train metrics: %r"% train_metrics)
    print("eval metrics: %r"% eval_metrics)

    运行时,它会产生

    train metrics: {'loss': 1.227995e-11, 'global_step': 1000}
    eval metrics: {'loss': 0.01010036, 'global_step': 1000}

    请注意,自定义model_fn()函数的内容与下级API的手动模型训练循环非常相似。

    下一步

    现在您已经了解了TensorFlow的基础知识。我们有更多的教程可以看看,了解更多。如果您是机器学习的初学者,请参阅MNIST的初学者,否则请参阅Deep MNIST专家。

    (全文完)

    0?wx_fmt=gif

    推荐:

    优秀人才不缺工作机会,只缺适合自己的好机会。但是他们往往没有精力从海量机会中找到最适合的那个。100offer 会对平台上的人才和企业进行严格筛选,让「最好的人才」和「最好的公司」相遇。扫描下方二维码,注册 100offer,谈谈你对下一份工作的期待。一周内,收到 5-10 个满足你要求的好机会!

    0?wx_fmt=jpeg

    展开全文
  • 加上优惠券还是挺便宜的,但是之后几年的价格怎样不知道,想要免费的域名也可以,可以自行谷歌百度搜素一下就行) 来访问你的服务器的了(默认是80端口),然后安装Nginx证书,教程安装好ssl证书之后,你就可以适应...
  • 又一次安装了Windows 7操作系统,发现chm文件类型Java API文档无法打开了,纠结了半天最终搞定,现总结一下: 1、选中该chm类型的文件,右键鼠标选择并点击“属性(R)”选项,得到下图: 2、点击上图“解除锁定(K)”...

            又一次安装了Windows 7操作系统,发现chm文件类型Java API文档无法打开了,纠结了半天最终搞定,现总结一下:

            1、选中该chm类型的文件,右键鼠标选择并点击“属性(R)”选项,得到下图:


            2、点击上图“解除锁定(K)”button,得到下图:


            3、点击上图“应用(A)”button,得到下图:


            4、点击上图“确定”button,再次双击该文件就可以看到此问题已经解决。

    转载于:https://www.cnblogs.com/mfrbuaa/p/4187489.html

    展开全文
  • 高德地图微信小程序入门指南传送门:https://lbs.amap.com/api/wx/gettingstarted 文档中包含了: 下载并安装微信小程序开发工具 获取高德Key 创建项目 下载并安装微信小程序SDK 设置安全通讯域名 注意:配置好了...
  • 现在有很多关于如何用VB获得Windows目录的文章,但大都只讲到如何获得Windows目录和System目录,有时候我们却需要获得像"我的文档"... 先向大家介绍两个API函数,这两个函数分别是SHGetSpecia...
  • 提问的智慧 How To Ask Questions The Smart Way ... Raymond, Rick Moen 本指南英文版版权为 Eric S.... ...Copyleft 2001 by D.H.Grand(nOBODY/Ginux), 2010 by Gasolin, 2015 by Ryan Wu 本中文指南是基于原文 3.10 版...
  • 1.申请bing的图片搜索API密钥,有API的说明文档可以看一下,如果想知道API是如何工作的或者怎样使用API。 2.首先要安装python3.5 -m pip install --upgrade request包,能够方便提出HTTP请求。 3.开始编写python来...
  • 后台服务标准化运营

    千次阅读 2016-10-17 14:25:20
    为什么要服务标准化 一套互联网后台服务的开发和运营涉及到非常多的细节: ...怎么对外提供接口API文档? 运营机器上的安装目录准备怎么安排? 有哪些运维脚本和工具? 应该监
  • 本教程介绍了怎样获得和设置 Adobe Flex SDK、怎样设置开发环境以及怎样在 ActionScript 中编程以建立第一个 Google Maps API(Flash 版)地图。   获得并安装 Adobe Flex SDK 要将 Google 地图合并到 Flex 应用...
  • 前面说过怎样使用 ArangoDB 的 Web,Shell 和 Restful API 来操作数据库,今天看一下怎样使用Python语言来操作ArangoDB数据库。 要通过 Python 脚本来访问 ArangoDB,我们需要先安装 pyArango 库 $ pip install ...
  • Android SDK目录结构具体是如何的? 对于安卓开发初学者来说,可能不太清楚Android SDK目录的具体结构是怎样的,下面简单介绍: ... docs:这里面是Android SDK API参考文档,所有的API都可以在这里查到。  3
  • 在做基于LBS的应用中,时常会和地图打交道,最直接的解决方案,当然是去对应的地图官网找文档,然后一步步来玩。对于简单场景而言,体验应该还好,但对于一些状态多,变化频繁的复杂场景而言,不仅要时刻维护本地...
  • 首先在学习uni-app之前,确保我们的电脑上已经安装HBuilderX,与微信开发者工具 为了大家快速了解学习这个框架我们这里就不放过多的演示图片了,大家按照提供的方法或API进行操作即可 这里要说一下uni-app这个框架是...
  • 1.1 窗口和API环境 2 1.1.1 三种类型窗口 2 1.1.2 客户区和非客户区 3 1.2 窗口和MFC环境 4 1.3 怎样应用MFC创建一个窗口 5 1.4 怎样使用MFC销毁一个窗口 9 1.4.1 捆绑到一个已有的窗口 9 1.4.2 窗口类 10 1.4.3 ...
  • 14.3.1 怎样将第一份文档传送到电话上 14.3.2 WML文档的结构 14.3.3 通用属性 14.3.4 WML包括什么 14.3.5 Meta信息 14.3.6 基本字符、表格和演示 14.3.7 使用计时器 14.3.8 事件处理器 14.3.9 使用变量 ...
  • XML高级编程pdf

    2010-03-08 22:28:50
    14.3.1 怎样将第一份文档传送到电话上 14.3.2 WML文档的结构 14.3.3 通用属性 14.3.4 WML包括什么 14.3.5 Meta信息 14.3.6 基本字符、表格和演示 14.3.7 使用计时器 14.3.8 事件处理器 14.3.9 使用变量 ...
  • 14.3.1 怎样将第一份文档传送到电话上 14.3.2 WML文档的结构 14.3.3 通用属性 14.3.4 WML包括什么 14.3.5 Meta信息 14.3.6 基本字符、表格和演示 14.3.7 使用计时器 14.3.8 事件处理器 14.3.9 使用变量 ...
  • XML高级编程

    2015-01-14 10:02:15
    14.3.1 怎样将第一份文档传送到电话上 626 14.3.2 WML文档的结构 627 14.3.3 通用属性 629 14.3.4 WML包括什么 630 14.3.5 Meta信息 630 14.3.6 基本字符、表格和演示 631 14.3.7 使用计时器 633 14.3.8 事件处理器 ...
  • VC++MFC教程全解

    热门讨论 2009-03-11 10:56:51
    1.1 窗口和API环境 2 1.1.1 三种类型窗口 2 1.1.2 客户区和非客户区 3 1.2 窗口和MFC环境 4 1.3 怎样应用MFC创建一个窗口 5 1.4 怎样使用MFC销毁一个窗口 9 1.4.1 捆绑到一个已有的窗口 9 1.4.2 窗口类 10 1.4.3 ...
  • Visual C++MFC编程实例

    2010-04-16 16:13:50
    1.1 窗口和API环境 2 1.1.1 三种类型窗口 2 1.1.2 客户区和非客户区 3 1.2 窗口和MFC环境 4 1.3 怎样应用MFC创建一个窗口 5 1.4 怎样使用MFC销毁一个窗口 9 1.4.1 捆绑到一个已有的窗口 9 1.4.2 窗口类 10 1.4.3 ...
  • 9.2.4 将结论写成文档 197 9.3 小结 197 第10 章 展示数据 199 10.1 避免讲故事陷阱 199 10.1.1 怎样讲故事 200 10.1.2 了解听众 200 10.2 可视化数据 201 10.2.1 图表 201 ...
  • 2.3.6. 通过非安装Zip文件安装MySQL 2.3.7. 提取安装档案文件 2.3.8. 创建选项文件 2.3.9. 选择MySQL服务器类型 2.3.10. 首次启动服务器 2.3.11. 从Windows命令行启动MySQL 2.3.12. 以Windows服务方式启动MySQL ...
  • MySQL 5.1参考手册.chm

    热门讨论 2011-12-07 13:53:37
    本手册编译于2006-7-27,目录及索引由官方HTML文档转换并加以修订,如有链接错误请发送邮件至: hemono@gmail.com 。获取最新CHM及PDF版本,请访问:hemon.ecjtu.net 。 张伟,华东交通大学。 摘要 这是MySQL参考...
  • O r a c l e与X M L

    2012-03-20 15:59:31
    它并不是完全参考手册,因为所有的组件API文档都可以通过电子版得到,而且,如果把这些文档加进来,会使本书的规模加倍。参考文档可以在Oracle技术网络(Oracle Technology Network)上得到。本书的读者对象主要有两...

空空如也

空空如也

1 2 3 4 5 ... 8
收藏数 151
精华内容 60
关键字:

怎样安装api文档