项目效果图
(图片引自：互联网)
Dynamo参数化建模
利用Dynamo进行可视化编程，编制异型钢结构参数化生成程序，如下图所示。
(可视化编程)
结构中的各参数均可由参数控制，方便调整与修改。
(参数控制1)
(参数控制2)
(参数控制3)
SAP2000结构计算
利用编制好的电池实现Dynamo与SAP2000的联动(点击查看)，将Dynamo模型同步于SAP2000中。
(SAP2000计算模型)
(试算结果)
相关链接
【参数化】Dynamo玛丽莲梦露大厦建模
【参数化】Luum寺巢参数化建模
【参数化】Dynamo三分钟完成鸟巢参数化建模[附教程]
【参数化】Dynamo小蛮腰广州塔斜交网格参数化建模
【参数化】Dynamo滨海新区高铁站类似物参数化建模
【参数化】Dynamo上海世博轴类似物参数化建模
【参数化】某体育场看台钢结构参数化设计与分析
【参数化】任意曲面四角锥网架参数化布置
【参数化】Dynamo凤凰国际传媒中心参数化建模
文工结构 | Dynamo+SAP2000瞭望塔参数化建模与计算
本公众号平台致力于展示、交流结构设计与BIM技术相关的研究成果，内容包括但不限于各类结构设计、参数化设计、有限元分析、CFD模拟、基于Dynamo程序开发、FDS火灾模拟、人员疏散模拟等，欢迎相关领域同行多多交流最新热点技术，共同进步。
扫码关注

	

项目效果图
(图片引自：互联网)
Dynamo参数化建模
利用Dynamo进行可视化编程，编制异型钢结构参数化生成程序，如下图所示。
(可视化编程)
结构中的各参数均可由参数控制，方便调整与修改。
(参数控制1)
(参数控制2)
(参数控制3)
SAP2000结构计算
利用编制好的电池实现Dynamo与SAP2000的联动(点击查看)，将Dynamo模型同步于SAP2000中。
(SAP2000计算模型)
(试算结果)
相关链接
【参数化】Dynamo玛丽莲梦露大厦建模
【参数化】Luum寺巢参数化建模
【参数化】Dynamo三分钟完成鸟巢参数化建模[附教程]
【参数化】Dynamo小蛮腰广州塔斜交网格参数化建模
【参数化】Dynamo滨海新区高铁站类似物参数化建模
【参数化】Dynamo上海世博轴类似物参数化建模
【参数化】某体育场看台钢结构参数化设计与分析
【参数化】任意曲面四角锥网架参数化布置
【参数化】Dynamo凤凰国际传媒中心参数化建模
文工结构 | Dynamo+SAP2000瞭望塔参数化建模与计算
本公众号平台致力于展示、交流结构设计与BIM技术相关的研究成果，内容包括但不限于各类结构设计、参数化设计、有限元分析、CFD模拟、基于Dynamo程序开发、FDS火灾模拟、人员疏散模拟等，欢迎相关领域同行多多交流最新热点技术，共同进步。
扫码关注

		2001年02月23日 10:24:00	
		
使用 COM+ 参数化对象结构编程技术
关键词：Delphi控件杂项
使用 COM+ 参数化对象结构编程技术
一、引言
    COM+ 服務技術的一個核心理念就是系統本身提供完成許多面向企業應用開發者的通用基本模組（如線程

、物件資源池管理、事務服務管理、事件服務管理等），讓系統設計人員把精力集中在企業應用本身的業務

邏輯上。
    COM+提供了許多新的服務和一致的管理運行環境，它還支援申明性編程模型(declarative programming 

model)，也就是說，開發人員可以按盡可能通用的方式開發元件程式，把一些細節留到配置時刻再確定。例

如，在開發一個COM+元件，它支援事務處理特性，但是我們在開發元件的時候，並不確定它是否使用事務處

理特性，而把是否支援事務處理特性留待配置時刻再作決定。有的應用可能會需要事務處理特性，而有的應

用可能並不需要，我們可以通過COM+管理程式配置元件的屬性來決定元件是否支援事務處理特性。MTS安全模

型實際上是一個典型的申明性編程技術，它把元件的安全角色資訊留到配置時刻再給出確切的定義，而非編

程時刻。COM+繼承了MTS的安全模型。
    利用COM+的服務和管理工具，開發一個COM+元件要比開發一個COM元件容易得多，因爲COM+元件實際上是

建立在COM+系統服務基礎上的應用程式，我們可以避免底層繁瑣的細節處理，如多線程的並發處理。通過

COM+系統服務，在獲得可靠性的同時，也使的元件和應用程式更趨於標準化，在更廣泛的範圍內體現元件或

者應用的多態性。
    COM+ 的推出终于有机的统一了 COM/DCOM/MTS 的编程模式，使得我们不需要区分我们编写的是什么类型

的COM 对象，所编写的对象既是 COM 对象也是 COM+对象；在 COM+ 中物件環境和截取(intercept) 技術都

被合併到標準的 COM代理/存根中，所以可以通過標準得 CoCreateInstance 方法來創建物件，並且通過

CreateInstance方法創建的MTS 元件同樣可以在COM+ 正常運行和完全相容。

二、参数化 COM+ 对象结构
    在COM+ 中引入了许多新的服务何功能，参数化对象结构就是其中一项功能。本功能是用来实现为COM+对

象创建提供一个字串参数，组件对象通过IObjectConstruct接口来查询管理员配置的字串参数。参数化对象

结构的一个典型用途就是可以应用到程序中作为 ADO 的连接字串参数。
    IObjectConstruct 让的方法或对象通过参数来控制相关对象处理功能，我们必须使用接口对象来实现此

接口，当管理员将组件对象的对象结构配置参数设置有效后，COM+ 将调用 IObjectConstruct.Construct 通

过IObjectConstructString来获取参数化 COM+ 对象结构中的字串参数。
    IObjectConstructString 接口用来存取建立者字符串。本对象是一个Automation COM 对象，但无须通

过接口对象来实现他，COM+ 支持在调用 IObjectConstruct.Construct 时暴露此对象。
    如何为元件输入对象结构字串。
    1、在组件管理器中选取相应的组件，右键弹出快捷菜单，然后点击属性
    2、在组件属性对话框，点击激活属性页。
    3、使能对象结构，输入建立者字符串（例如一个 ADO 连接字串）。

三、程序实现

    实现COMPlusServer 

    1、Import Type library-    2、建立一个新的 ActiveX Library Project
    3、创建一个新的 MTS Data Module 
    4、到 Type Library 中选取 Project-
Services Type Library
    5、选择 COM 的接口对象-    6、在接口中定义一个新的的方法-< GetConString
    7、到组件对象实现单元中实现以下代码：
  private
    { Private declarations }
    objSonStr: IObjectConstructString;
    StrDemo: WideString;

function TXXXServer.Construct(const pCtorObj: IDispatch): HResult;
begin
  pCtorObj.QueryInterface(IID_IObjectConstructString, objSonStr);
  StrDemo := objSonStr.Get_ConstructString;
end;

procedure TXXXServer.GetConString;
begin
  if trim(StrDemo) = '' then
    ShowMessage('没有字串')
  else
    ShowMessage(StrDemo);
end;

    客户端程序
    客户端程序是最一般化的 Delphi 代码：
procedure TForm1.Button1Click(Sender: TObject);
begin
  DCOMConnection1.AppServer.GetConString;
end;
 


Trackback: http://tb.blog.csdn.net/TrackBack.aspx?PostId=3376
		

在学习深度网络框架的过程中，我们发现一个问题，就是如何输出各层网络参数，用于更好地理解，调试和优化网络？针对这个问题，TensorFlow开发了一个特别有用的可视化工具包：TensorBoard，既可以显示网络结构，又可以显示训练和测试过程中各层参数的变化情况。本博文分为四个部分，第一部分介绍相关函数，第二部分是代码测试，第三部分是运行结果，第四部分介绍相关参考资料。


一. 相关函数
TensorBoard的输入是tensorflow保存summary data的日志文件。日志文件名的形式如：events.out.tfevents.1467809796.lei-All-Series 或 events.out.tfevents.1467809800.lei-All-Series。TensorBoard可读的summary data有scalar，images，audio，histogram和graph。那么怎么把这些summary
 data保存在日志文件中呢？


数值如学习率，损失函数用scalar_summary函数。tf.scalar_summary(节点名称，获取的数据)

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
tf.scalar_summary('accuracy', accuracy)


各层网络权重，偏置的分布，用histogram_summary函数

preactivate = tf.matmul(input_tensor, weights) + biases
tf.histogram_summary(layer_name + '/pre_activations', preactivate)


其他几种summary data也是同样的方式获取，只是对应的获取函数名称换一下。这些获取summary data函数节点和graph是独立的，调用的时候也需要运行session。当需要获取的数据较多的时候，我们一个一个去保存获取到的数据，以及一个一个去运行会显得比较麻烦。tensorflow提供了一个简单的方法，就是合并所有的summary data的获取函数，保存和运行只对一个对象进行操作。比如，写入默认路径中，比如/tmp/mnist_logs
 (by default)

merged = tf.merge_all_summaries()
train_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/train', sess.graph)
test_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/test')


SummaryWriter从tensorflow获取summary data，然后保存到指定路径的日志文件中。以上是在建立graph的过程中，接下来执行，每隔一定step，写入网络参数到默认路径中，形成最开始的文件：events.out.tfevents.1467809796.lei-All-Series 或 events.out.tfevents.1467809800.lei-All-Series。

for i in range(FLAGS.max_steps):
if i % 10 == 0:  # Record summaries and test-set accuracy
summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
      test_writer.add_summary(summary, i)
      print('Accuracy at step %s: %s' % (i, acc))
    else: # Record train set summarieis, and train
      summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
      train_writer.add_summary(summary, i)


二. 代码测试

# Copyright 2015 Google Inc. All Rights Reserved.
#
# Licensed under the Apache License, Version 2.0 (the 'License');
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an 'AS IS' BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# ==============================================================================

"""A simple MNIST classifier which displays summaries in TensorBoard.

 This is an unimpressive MNIST model, but it is a good example of using
tf.name_scope to make a graph legible in the TensorBoard graph explorer, and of
naming summary tags so that they are grouped meaningfully in TensorBoard.

It demonstrates the functionality of every TensorBoard dashboard.
"""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data


flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_boolean('fake_data', False, 'If true, uses fake data '
                     'for unit testing.')
flags.DEFINE_integer('max_steps', 1000, 'Number of steps to run trainer.')
flags.DEFINE_float('learning_rate', 0.001, 'Initial learning rate.')
flags.DEFINE_float('dropout', 0.9, 'Keep probability for training dropout.')
flags.DEFINE_string('data_dir', '/tmp/data', 'Directory for storing data')
flags.DEFINE_string('summaries_dir', '/tmp/mnist_logs', 'Summaries directory')


def train():
  # Import data
  mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True,
                                    fake_data=FLAGS.fake_data)

  sess = tf.InteractiveSession()

  # Create a multilayer model.

  # Input placehoolders
  with tf.name_scope('input'):
    x = tf.placeholder(tf.float32, [None, 784], name='x-input')
    image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
    tf.image_summary('input', image_shaped_input, 10)
    y_ = tf.placeholder(tf.float32, [None, 10], name='y-input')
    keep_prob = tf.placeholder(tf.float32)
    tf.scalar_summary('dropout_keep_probability', keep_prob)

  # We can't initialize these variables to 0 - the network will get stuck.
  def weight_variable(shape):
    """Create a weight variable with appropriate initialization."""
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

  def bias_variable(shape):
    """Create a bias variable with appropriate initialization."""
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

  def variable_summaries(var, name):
    """Attach a lot of summaries to a Tensor."""
    with tf.name_scope('summaries'):
      mean = tf.reduce_mean(var)
      tf.scalar_summary('mean/' + name, mean)
      with tf.name_scope('stddev'):
        stddev = tf.sqrt(tf.reduce_sum(tf.square(var - mean)))
      tf.scalar_summary('sttdev/' + name, stddev)
      tf.scalar_summary('max/' + name, tf.reduce_max(var))
      tf.scalar_summary('min/' + name, tf.reduce_min(var))
      tf.histogram_summary(name, var)

  def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
    """Reusable code for making a simple neural net layer.

    It does a matrix multiply, bias add, and then uses relu to nonlinearize.
    It also sets up name scoping so that the resultant graph is easy to read, and
    adds a number of summary ops.
    """
    # Adding a name scope ensures logical grouping of the layers in the graph.
    with tf.name_scope(layer_name):
      # This Variable will hold the state of the weights for the layer
      with tf.name_scope('weights'):
        weights = weight_variable([input_dim, output_dim])
        variable_summaries(weights, layer_name + '/weights')
      with tf.name_scope('biases'):
        biases = bias_variable([output_dim])
        variable_summaries(biases, layer_name + '/biases')
      with tf.name_scope('Wx_plus_b'):
        preactivate = tf.matmul(input_tensor, weights) + biases
        tf.histogram_summary(layer_name + '/pre_activations', preactivate)
      activations = act(preactivate, 'activation')
      tf.histogram_summary(layer_name + '/activations', activations)
      return activations

  hidden1 = nn_layer(x, 784, 500, 'layer1')
  dropped = tf.nn.dropout(hidden1, keep_prob)
  y = nn_layer(dropped, 500, 10, 'layer2', act=tf.nn.softmax)


  with tf.name_scope('cross_entropy'):
    diff = y_ * tf.log(y)
    with tf.name_scope('total'):
      cross_entropy = -tf.reduce_mean(diff)
    tf.scalar_summary('cross entropy', cross_entropy)

  with tf.name_scope('train'):
    train_step = tf.train.AdamOptimizer(
        FLAGS.learning_rate).minimize(cross_entropy)

  with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
      correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    with tf.name_scope('accuracy'):
      accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    tf.scalar_summary('accuracy', accuracy)

  # Merge all the summaries and write them out to /tmp/mnist_logs (by default)
  merged = tf.merge_all_summaries()
  train_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/train', sess.graph)
  test_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/test')
  tf.initialize_all_variables().run()

  # Train the model, and also write summaries.
  # Every 10th step, measure test-set accuracy, and write test summaries
  # All other steps, run train_step on training data, & add training summaries

  def feed_dict(train):
    """Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""
    if train or FLAGS.fake_data:
      xs, ys = mnist.train.next_batch(100, fake_data=FLAGS.fake_data)
      k = FLAGS.dropout
    else:
      xs, ys = mnist.test.images, mnist.test.labels
      k = 1.0
    return {x: xs, y_: ys, keep_prob: k}

  for i in range(FLAGS.max_steps):
    if i % 10 == 0:  # Record summaries and test-set accuracy
      summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
      test_writer.add_summary(summary, i)
      print('Accuracy at step %s: %s' % (i, acc))
    else: # Record train set summarieis, and train
      summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
      train_writer.add_summary(summary, i)

def main(_):
  if tf.gfile.Exists(FLAGS.summaries_dir):
    tf.gfile.DeleteRecursively(FLAGS.summaries_dir)
  tf.gfile.MakeDirs(FLAGS.summaries_dir)
  train()

if __name__ == '__main__':
  tf.app.run()



三. 运行结果
代码运行



生成文件




调用TensorBoard可视化运行结果

tensorboard --logdir=/tmp/mnist_logs/train/



打开链接 http://0.0.0.0:6006




EVENTS是训练参数统计显示，可以看到整个训练过程中，各个参数的变换情况




IMAGES输入和输出标签，省略


GRAPH网络结构显示


双击进去，可以显示更多的细节，包括右边的列表显示


HISTOGRAM训练过程参数分布情况显示




四. 参考资料
如果你想了解更多信息，可以参考一下资料:
https://www.tensorflow.org/versions/r0.9/how_tos/summaries_and_tensorboard/index.html

https://github.com/tensorflow/tensorflow/blob/r0.9/tensorflow/tensorboard/README.md

https://github.com/tensorflow/tensorflow/blob/r0.9/tensorflow/examples/tutorials/mnist/mnist_with_summaries.py

https://www.tensorflow.org/versions/r0.9/how_tos/graph_viz/index.html