※超省錢租車方案

商務出差、學生出遊、旅遊渡假、臨時用車!GO 神州租賃有限公司!合法經營、合法連鎖、合法租賃小客車!

m的峰值扭矩，1。5L的自然吸氣發動機搭配着CVT以及傳統的手動變速箱。艾瑞澤5的全系定價在5。89-9。79萬元之間，跨度不可為不大，新上市車型並不是傳說中搭載了奇瑞最新的渦輪增壓發動機的動力總成車型，依舊是現款艾瑞澤5的動力配置，只是在細分的配置下新增了這款名為“領跑版”定位中高級配置的車。

艾瑞澤5

要說最近火的一塌糊塗的轎車，除了奔馳的豪華中型車全新E級之外，最熱門的或許就是自主品牌的奇瑞艾瑞澤5了，上個月銷量也接近1.5萬台，10月15日，新的艾瑞澤5又迎來上市，這次儘管沒有出現傳說中的1.5T，但是產品線更豐富的艾瑞澤5該如何選擇，或許又會變成消費者心中的難題，小編這次就來分析分析，這台小車該如何選擇。

先簡單說說艾瑞澤5的身份，艾瑞澤5的外觀設計原創程度非常高，畢竟是作為純正向研發的產品之一，艾瑞澤5的設計並沒有什麼明顯的借鑒風格，這一點是值得觀眾朋友點贊的地方，自主品牌開始擺脫仿製，正向研發的車型代表了中國品牌的汽車正在逐漸成長。

前臉貫穿式的鍍鉻裝飾條簡潔明快而且辨識度極高，整車的線條描繪也非常緊湊，沒有拖泥帶水的設計感，車尾層次感也十分豐富，這也讓艾瑞澤5的外觀顯得簡約而不簡單，相反多了一種精緻感。

往期的艾瑞澤5是以紅色為主打顏色，充滿活力的鮮紅色符合當下年輕購車群體充滿朝氣的形象。新的領跑版上市增加了一款名為“鎏光橙”的配色，同樣是暖色的色調，

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

有別於一般網頁架設公司，除了模組化的架站軟體，我們的營業主軸還包含：資料庫程式開發、網站建置、網頁設計、電子商務專案開發、系統整合、APP設計建置、專業網路行銷。

可以看出艾瑞澤5的目標消費人群指向性很明顯——就是年輕的家用車潛在買家。

內飾的設計也是非常具有活力和運動感，中控按鍵布局非常清晰，在行車過程中的使用具有較為良好的溝通感，座椅的包裹性尚可，但是坐墊較硬，承托性較為欠缺。不過作為一款十萬元以內的轎車，如此的內飾設計當屬難能可貴。

空間布局還算合理，車身尺寸為4572*1825*1482（mm）；軸距達到了2670mm，已經達到了主流的緊湊型轎車應有的水準，後排空間實用性尚可，而且車身設計中規中矩，並沒有犧牲多少在後排的頭部空間。一般的家用需求得以很好的滿足。

動力總成並沒有進行更換，發動機的賬面參數是116ps的最大馬力，141N.m的峰值扭矩，1.5L的自然吸氣發動機搭配着CVT以及傳統的手動變速箱。

艾瑞澤5的全系定價在5.89-9.79萬元之間，跨度不可為不大，新上市車型並不是傳說中搭載了奇瑞最新的渦輪增壓發動機的動力總成車型，依舊是現款艾瑞澤5的動力配置，只是在細分的配置下新增了這款名為“領跑版”定位中高級配置的車。

以自動擋車型為例，在領跑版本出來之前，領銳版和領臻版的差價達到了1萬元人民幣，分別為7.79萬和8.79萬，這跨度對於一款主打性價比的車型來說著實大了一些。

編輯總結：如今的領跑版上市定價為8.29萬，無疑增加了此款車的性價比。所以小編主推的細分配置是新上市的CVT領跑版，相較於領銳版加價五千，增加了胎壓監測裝置，中控大屏的GpS導航以及增加了更新的智能互聯繫統，這些配置原來只有在8.79萬元的次頂配中搭載。儘管有人說艾瑞澤5的CVT變速箱調校得過於慵懶，但是作為一台十萬元以內，售價只在七八萬元左右的經濟型家轎來說，艾瑞澤5目前的配置和定價都算是比較親民而且高性價比的存在。本站聲明:網站內容來源於http://www.auto6s.com/,如有侵權,請聯繫我們,我們將及時處理

※Google地圖已可更新顯示潭子電動車充電站設置地點!!

日本、大陸，發現這些先進的國家已經早就讓電動車優先上路，而且先進國家空氣品質相當好，電動車節能減碳可以減少空污

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

擁有後台管理系統的網站，將擁有強大的資料管理與更新功能，幫助您隨時新增網站的內容並節省網站開發的成本。

在DQN（Deep Q-learning）入門教程（四）之Q-learning Play Flappy Bird中，我們使用q-learning算法去對Flappy Bird進行強化學習，而在這篇博客中我們將使用神經網絡模型來代替Q-table，關於DQN的介紹，可以參考我前一篇博客：DQN（Deep Q-learning）入門教程（五）之DQN介紹

在這篇博客中將使用DQN做如下操作：

• Flappy Bird
• MountainCar-v0

再回顧一下DQN的算法流程：

項目地址：Github

MountainCar-v0

MountainCar的訓練好的Gif示意圖如下所示，汽車起始位置位於山的底部，最終目標是駛向右邊山的插旗的地方，其中，汽車的引擎不能夠直接駛向終點，必須藉助左邊的山體的重力加速度才能夠駛向終點。

MountainCar-v0由OpenAI提供，python包為gym，官網網站為https://gym.openai.com/envs/MountainCar-v0/。在Gym包中，提供了很多可以用於強化學習的環境（env）：

在MountainCar-v0中，狀態有2個變量，car position（汽車的位置），car vel（汽車的速度），action一共有3種： Accelerate to the Left， Don't accelerate，Accelerate to the Right，然後當車達到旗幟的地方（position = 0.5）會得到\(reward = 1\)的獎勵，如果沒有達到則為\(-1\)。但是如果當你運行步驟超過200次的時候，遊戲就會結束。詳情可以參考源代碼（ps：官方文檔中沒有這些說明）。

下面介紹一下gym中幾個常用的函數：

• env = gym.make("MountainCar-v0")
  

  這個就是創建一個MountainCar-v0的遊戲環境。

• state = env.reset()
  

  重置環境，返回重置后的state

• env.render()
  

  將運行畫面展示在屏幕上面，當我們在訓練的時候可以不使用這個來提升速度。

• next_state, reward, done, _ = env.step(action)
  

  執行action動作，返回下一個狀態，獎勵，是否完成，info。

初始化Agent

初始化Agent直接使用代碼說明吧，這個還是比較簡單的：

import keras
import random
from collections import deque

import gym
import numpy as np
from keras.layers import Dense
from keras.models import Sequential


class Agent():
    def __init__(self, action_set, observation_space):
        """
        初始化
        :param action_set: 動作集合
        :param observation_space: 環境屬性，我們需要使用它得到state的shape
        """
        # 獎勵衰減
        self.gamma = 1.0
        # 從經驗池中取出數據的數量
        self.batch_size = 50
        # 經驗池
        self.memory = deque(maxlen=2000000)
        # 探索率
        self.greedy = 1.0
        # 動作集合
        self.action_set = action_set
        # 環境的屬性
        self.observation_space = observation_space
        # 神經網路模型
        self.model = self.init_netWork()

    def init_netWork(self):
        """
        構建模型
        :return: 模型
        """
        model = Sequential()
        # self.observation_space.shape[0]，state的變量的數量
        model.add(Dense(64 * 4, activation="tanh", input_dim=self.observation_space.shape[0]))
        model.add(Dense(64 * 4, activation="tanh"))
        # self.action_set.n 動作的數量
        model.add(Dense(self.action_set.n, activation="linear"))
        model.compile(loss=keras.losses.mean_squared_error,
                      optimizer=keras.optimizers.RMSprop(lr=0.001))
        return model

我們使用隊列來保存經驗，這樣的話新的數據就會覆蓋遠古的數據。此時我們定義一個函數，專門用來將數據保存到經驗池中，然後定義一個函數用來更新\(\epsilon\)探索率。

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

擁有後台管理系統的網站，將擁有強大的資料管理與更新功能，幫助您隨時新增網站的內容並節省網站開發的成本。

def add_memory(self, sample):
    self.memory.append(sample)

def update_greedy(self):
    # 小於最小探索率的時候就不進行更新了。
    if self.greedy > 0.01:
        self.greedy *= 0.995

訓練模型

首先先看代碼：

def train_model(self):
    # 從經驗池中隨機選擇部分數據
    train_sample = random.sample(self.memory, k=self.batch_size)

    train_states = []
    next_states = []
    for sample in train_sample:
        cur_state, action, r, next_state, done = sample
        next_states.append(next_state)
        train_states.append(cur_state)

    # 轉成np數組
    next_states = np.array(next_states)
    train_states = np.array(train_states)
    # 得到next_state的q值
    next_states_q = self.model.predict(next_states)

    # 得到state的預測值
    state_q = self.model.predict_on_batch(train_states)

    # 計算Q現實
    for index, sample in enumerate(train_sample):
        cur_state, action, r, next_state, done = sample
        if not done:
            state_q[index][action] = r + self.gamma * np.max(next_states_q[index])
        else:
            state_q[index][action] = r
    
    self.model.train_on_batch(train_states, state_q)

大家肯定從上面的代碼發現一些問題，使用了兩個for循環，why？首先先說一下兩個for循環分別的作用：

• 第一個for循環：得到train_states和next_states，其中next_states是為了計算Q現實。
• 第二個for循環：計算Q現實

可能有人會有一個疑問，為什麼我不寫成一個for循環呢？實際上寫成一個for循環是完全沒有問題的，很，但是寫成一個for循環意味着我們要多次調用model.predict_on_batch，這樣會耗費一定的時間（親身試驗過，這樣會比較慢），因此，我們寫成了兩個for循環，然後只需要調用一次predict

執行動作與選擇最佳動作

執行動作的代碼如下所示：

def act(self, env, action):
    """
    執行動作
    :param env: 執行環境
    :param action: 執行的動作
    :return: ext_state, reward, done
    """
    next_state, reward, done, _ = env.step(action)

    if done:
        if reward < 0:
            reward = -100
        else:
            reward = 10
    else:
        if next_state[0] >= 0.4:
            reward += 1

    return next_state, reward, done

其中，我們可以修改獎勵以加快網絡收斂。

選擇最好的動作的動作如下所示，會以一定的探索率隨機選擇動作。

def get_best_action(self, state):
    if random.random() < self.greedy:
        return self.action_set.sample()
    else:
        return np.argmax(self.model.predict(state.reshape(-1, 2)))

開始訓練

關於具體的解釋，在註釋中已經詳細的說明了：

if __name__ == "__main__":
    # 訓練次數
    episodes = 10000
    # 實例化遊戲環境
    env = gym.make("MountainCar-v0")
    # 實例化Agent
    agent = Agent(env.action_space, env.observation_space)
    # 遊戲中動作執行的次數（最大為200）
    counts = deque(maxlen=10)

    for episode in range(episodes):
        count = 0
        # 重置遊戲
        state = env.reset()

        # 剛開始不立即更新探索率
        if episode >= 5:
            agent.update_greedy()

        while True:
            count += 1
            # 獲得最佳動作
            action = agent.get_best_action(state)
            next_state, reward, done = agent.act(env, action)
            agent.add_memory((state, action, reward, next_state, done))
            # 剛開始不立即訓練模型，先填充經驗池
            if episode >= 5:
                agent.train_model()
            state = next_state
            if done:
                # 將執行的次數添加到counts中
                counts.append(count)
                print("在{}輪中，agent執行了{}次".format(episode + 1, count))

                # 如果近10次，動作執行的平均次數少於160，則保存模型並退出
                if len(counts) == 10 and np.mean(counts) < 160:
                    agent.model.save("car_model.h5")
                    exit(0)
                break

訓練一定的次數后，我們就可以得到模型了。然後進行測試。

模型測試

測試的代碼沒什麼好說的，如下所示：

import gym
from keras.models import load_model
import numpy as np
model = load_model("car_model.h5")

env = gym.make("MountainCar-v0")

for i in range(100):
    state = env.reset()
    count = 0
    while True:
        env.render()
        count += 1
        action = np.argmax(model.predict(state.reshape(-1, 2)))
        next_state, reward, done, _ = env.step(action)
        state = next_state
        if done:
            print("遊戲的次數:", count)
            break

部分的結果如下：

Flappy Bird

FlappyBird的代碼我就不過多贅述了，裏面的一些函數介紹可以參照這個來看：DQN（Deep Q-learning）入門教程（四）之Q-learning Play Flappy Bird，代碼思想與訓練Mountain-Car基本是一致的。

import random
from collections import deque

import keras
import numpy as np
from keras.layers import Dense
from keras.models import Sequential
from ple import PLE
from ple.games import FlappyBird


class Agent():
    def __init__(self, action_set):
        self.gamma = 1
        self.model = self.init_netWork()
        self.batch_size = 128
        self.memory = deque(maxlen=2000000)
        self.greedy = 1
        self.action_set = action_set

    def get_state(self, state):
        """
        提取遊戲state中我們需要的數據
        :param state: 遊戲state
        :return: 返回提取好的數據
        """
        return_state = np.zeros((3,))
        dist_to_pipe_horz = state["next_pipe_dist_to_player"]
        dist_to_pipe_bottom = state["player_y"] - state["next_pipe_top_y"]
        velocity = state['player_vel']
        return_state[0] = dist_to_pipe_horz
        return_state[1] = dist_to_pipe_bottom
        return_state[2] = velocity
        return return_state

    def init_netWork(self):
        """
        構建模型
        :return:
        """
        model = Sequential()
        model.add(Dense(64 * 4, activation="tanh", input_shape=(3,)))
        model.add(Dense(64 * 4, activation="tanh"))
        model.add(Dense(2, activation="linear"))

        model.compile(loss=keras.losses.mean_squared_error,
                      optimizer=keras.optimizers.RMSprop(lr=0.001))
        return model

    def train_model(self):
        if len(self.memory) < 2500:
            return

        train_sample = random.sample(self.memory, k=self.batch_size)
        train_states = []
        next_states = []

        for sample in train_sample:
            cur_state, action, r, next_state, done = sample
            next_states.append(next_state)
            train_states.append(cur_state)
        # 轉成np數組
        next_states = np.array(next_states)
        train_states = np.array(train_states)

        # 得到下一個state的q值
        next_states_q = self.model.predict(next_states)
        # 得到預測值
        state_q = self.model.predict_on_batch(train_states)

        for index, sample in enumerate(train_sample):
            cur_state, action, r, next_state, done = sample
            # 計算Q現實
            if not done:
                state_q[index][action] = r + self.gamma * np.max(next_states_q[index])
            else:
                state_q[index][action] = r
        self.model.train_on_batch(train_states, state_q)

    def add_memory(self, sample):
        self.memory.append(sample)

    def update_greedy(self):
        if self.greedy > 0.01:
            self.greedy *= 0.995

    def get_best_action(self, state):
        if random.random() < self.greedy:
            return random.randint(0, 1)
        else:
            return np.argmax(self.model.predict(state.reshape(-1, 3)))

    def act(self, p, action):
        """
        執行動作
        :param p: 通過p來向遊戲發出動作命令
        :param action: 動作
        :return: 獎勵
        """
        r = p.act(self.action_set[action])
        if r == 0:
            r = 1
        if r == 1:
            r = 100
        else:
            r = -1000
        return r


if __name__ == "__main__":
    # 訓練次數
    episodes = 20000
    # 實例化遊戲對象
    game = FlappyBird()
    # 類似遊戲的一個接口，可以為我們提供一些功能
    p = PLE(game, fps=30, display_screen=False)
    # 初始化
    p.init()
    # 實例化Agent，將動作集傳進去
    agent = Agent(p.getActionSet())
    max_score = 0
    scores = deque(maxlen=10)

    for episode in range(episodes):
        # 重置遊戲
        p.reset_game()
        # 獲得狀態
        state = agent.get_state(game.getGameState())
        if episode > 150:
            agent.update_greedy()
        while True:
            # 獲得最佳動作
            action = agent.get_best_action(state)
            # 然後執行動作獲得獎勵
            reward = agent.act(p, action)
            # 獲得執行動作之後的狀態
            next_state = agent.get_state(game.getGameState())
            agent.add_memory((state, action, reward, next_state, p.game_over()))
            agent.train_model()
            state = next_state
            if p.game_over():
                # 獲得當前分數
                current_score = p.score()
                max_score = max(max_score, current_score)
                scores.append(current_score)
                print('第%s次遊戲，得分為: %s,最大得分為: %s' % (episode, current_score, max_score))
                if len(scores) == 10 and np.mean(scores) > 150:
                    agent.model.save("bird_model.h5")
                    exit(0)
                break

該部分相比較於Mountain-Car需要更長的時間，目前的我還沒有訓練出比較好的效果，截至寫完這篇博客，最新的數據如下所示：

emm，我又不想讓我的電腦一直開着，。

總結

上面的兩個例子便是DQN最基本最基本的使用，我們還可以將上面的FlappyBird的問題稍微複雜化一點，比如說我們無法直接的知道環境的狀態，我們則可以使用CNN網絡去從遊戲圖片入手（關於這種做法，網絡上有很多人寫了相對應的博客）。

項目地址：Github

參考

• openai-gym
• MountainCar-v0 ——src code
• DQN（Deep Q-learning）入門教程（四）之Q-learning Play Flappy Bird

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

擁有後台管理系統的網站，將擁有強大的資料管理與更新功能，幫助您隨時新增網站的內容並節省網站開發的成本。

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

當全世界的人們隨著網路時代而改變向上時您還停留在『網站美醜不重要』的舊有思維嗎？機會是留給努力改變現況的人們，別再浪費一分一秒可以接觸商機的寶貴時間！

回顧寫了許久的UWP開發入門，竟然沒有講過通過Windows.Devices.Radios.Radio來控制Bluetooth和WiFi等功能的開關。也許是因為相關的API設計的簡單好用，以至於被我給忽略了。最近工作中有涉及這塊的內容，不妨一起來回顧下，順便看看一些新的發現。

在Windows 10以前，想要控制Bluetooth，WiFi等功能，那麻煩大了。得操作ManagementBaseObject，ManagementEventWatcher 等一系列WMI提供的API，寫出來的代碼又臭又長。其間還夾着複雜的WMI query字符串，十分難用。

升級到Windows 10后，我們通過Windows.Devices.Radios.Radio可以方便的獲取控制Bluetooth和WiFi的對象。

var radios = await Radio.GetRadiosAsync();
Bluetooth = radios.FirstOrDefault(r => r.Kind == RadioKind.Bluetooth);
WiFi = radios.FirstOrDefault(r => r.Kind == RadioKind.Bluetooth);

在拿到上面的Bluetooth和WiFi的Radio實例后，就可以通過

Public event TypedEventHandler<Radio, object> StateChanged;

來監聽Radio實例的狀態改變，可以說通過寥寥幾行代碼，就可以替代以往大量繁瑣的操作。

而設置Bluetooth和WiFi設備On/Off的狀態，也非常簡單。

public IAsyncOperation<RadioAccessStatus> SetStateAsync(RadioState value);

RadioState枚舉如同字面的意思：

    public enum RadioState
    {
        //
        // Summary:
        //     The radio state is unknown, or the radio is in a bad or uncontrollable state.
        Unknown = 0,
        //
        // Summary:
        //     The radio is powered on.
        On = 1,
        //
        // Summary:
        //     The radio is powered off.
        Off = 2,
        //
        // Summary:
        //     The radio is powered off and disabled by the device firmware or a hardware switch
        //     on the device.
        Disabled = 3
    }

這裏需要提一下的是，在第一次更改狀態前，UWP APP需要向用戶申請權限。

慢着慢着，貌似忘記給UWP APP向Windows要權限了，我們要編輯Package.aaxmanifest文件，在Capabilities節點加上DeviceCapability這一行才行。

  <Capabilities>
    <Capability Name="internetClient" />
    <DeviceCapability Name="radios"></DeviceCapability>
  </Capabilities>

這回運行起來，才真的可以操作Bluetooth和WiFi了。

是不是覺得幾行代碼就能寫出一個控制Bluetooth和WiFi的APP了？事實也確實如此。

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

透過資料庫的網站架設建置，建立公司的形象或購物系統，並提供最人性化的使用介面，讓使用者能即時接收到相關的資訊

如果人生只如初見那般美好，UWP的處境就不會如此難堪了。對於某軟提供了完善UWP API的功能，開發起來那是一個爽快。但要是沒有或是沒來得及提供，UWP就顯得頗為尷尬了。

我們不妨看下RadioKind的枚舉，很顯然如果想操作FM radio就得另尋他法。而MobileBoardband即Cellular也是從1703版本才開始得到支持。

那是不是意味這MobileBroadband就可以像Bluetooth和WiFi一樣通過

public static IAsyncOperation<IReadOnlyList<Radio>> GetRadiosAsync();

來獲取實例對象了，還真不是，欲知如何操作，且聽下回《UWP開發入門（26）——通過Radio控制Cellular》。

實際是我Sample code還沒整理好。所以分成了兩篇來寫。

有感日前MS Store里的網易雲音樂UWP也被替換成Win32版本，可嘆國產的UWP APP越來越少。某軟畫了個好餅，可惜不能讓人在Windows生態上通過UWP掙到錢。好技術生不逢時出不了頭，真是可惜。

同時也能感覺到某軟的妥協和進步，現如今的UWP，結合desktop extension以及desktop bridge技術。只要公司的APP能通過某軟的審核，功能方面已經無限接近傳統desktop APP了。可惜一個Windows平台做Win32和UWP兩個產品，燒的錢可不是小數目。總不能用愛發電吧。

希望Win7早日被淘汰，WinUI 3.0能進一步融合UWP和Win32。距離上一次某軟說要重振desktop開發已經過去蠻久了。

本篇提到的相關Sample code在GitHub：

https://github.com/manupstairs/UWPSamples/tree/master/UWPSamples/RadioDevice

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

※想知道最厲害的網頁設計公司嚨底家"!

RWD（響應式網頁設計）是透過瀏覽器的解析度來判斷要給使用者看到的樣貌

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

擁有後台管理系統的網站，將擁有強大的資料管理與更新功能，幫助您隨時新增網站的內容並節省網站開發的成本。

本站聲明:網站內容來http://www.societynews.cn/html/wh/fq/,如有侵權,請聯繫我們,我們將及時處理

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

擁有後台管理系統的網站，將擁有強大的資料管理與更新功能，幫助您隨時新增網站的內容並節省網站開發的成本。

※想知道最厲害的網頁設計公司嚨底家"!

RWD（響應式網頁設計）是透過瀏覽器的解析度來判斷要給使用者看到的樣貌

　　“南澗跳菜”又被叫做“抬菜舞”或者“捧盤舞”，將舞蹈、音樂與雜技、飲食融為一體，是雲南南澗彝族自治縣群眾流傳已久的習俗。彝族跳菜2008年被列入第二批國家級非物質文化遺產名錄。

　　“跳菜有‘宴席跳菜’和‘表演跳菜’兩種形式。‘表演跳菜’主要是在舞台上，菜不是真菜，主要是通過舞蹈和音樂來表現。我們日常做的主要是‘宴席跳菜’，抬的是真菜，這是每一次宴席慶典的必備儀式，往往是我們接待賓客的最高禮節。”跳菜隊隊長張玉香說。

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

透過資料庫的網站架設建置，建立公司的形象或購物系統，並提供最人性化的使用介面，讓使用者能即時接收到相關的資訊

　　音樂聲響，張玉香和另一位隊員從廚房跳出，一人在前面引舞護菜，另一人在後面舞着托盤，兩人踏着節拍登場。輕快敏捷的舞步，幽默逗人的扮相，混着激昂的嗩吶聲，引起現場陣陣歡笑。

　　“口功送菜”和“空中送菜”是張玉香的拿手絕技。在村裡跳菜，還有許多套路，張玉香說：“不管採用什麼樣的形式，最關鍵的就是保證把這些寓意吉祥的菜平平穩穩地上到桌上。”

　　在舞姿的變化中，跳菜隊員們利落地把菜擺放到桌上。不僅跳舞有講究，擺菜的形式也很講究。“梅花形是我們常用的擺法，等這些農家菜上齊了，大家就可以一起享受這些美味佳肴啦。”張玉香說。

　　版式設計：蔡華偉 張丹峰

本站聲明:網站內容來http://www.societynews.cn/html/wh/fq/,如有侵權,請聯繫我們,我們將及時處理

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

當全世界的人們隨著網路時代而改變向上時您還停留在『網站美醜不重要』的舊有思維嗎？機會是留給努力改變現況的人們，別再浪費一分一秒可以接觸商機的寶貴時間！

※想知道最厲害的網頁設計公司嚨底家"!

RWD（響應式網頁設計）是透過瀏覽器的解析度來判斷要給使用者看到的樣貌

前言

這次對布局進行優化，主要包含了首頁tabview pageview 以及添加幾個按鈕的操作過程.主要使用到stack層疊布局，tabpview和pageview，tabview兩個頁面，一個關注，一個推薦，左右切換，pageview被包含在tabview裏面.

布局優化

抖音的頂部appbar 是懸浮層疊展示，而flutter的層疊組件是stack, 因此最外面採用stack, 其次中間是tabview，分別是關注和推薦兩個選項卡，關注在沒有登錄的時候會彈出一個提示需要認證登錄的頁面，這裏加了兩個頁面，subscriptionScreen.dart，另外一個是loginScreen.dart

 @override
  Widget build(BuildContext context) {
    return Scaffold(
      //backgroundColor: Colors.transparent,
      body: Stack(
        //fit: StackFit.expand,
        children: <Widget>[
          TabBarView(
            controller: _tabController,
            children: <Widget>[
              Subscription(),
              PageView(
                allowImplicitScrolling: true,
                controller: _pageController,
                children: <Widget>[
                  Trending(),
                ],
                onPageChanged: (int index) {
                  setState(() {
                    currentIndex = index;
                  });
                },
              ),
            ],
          ),
          Column(
            children: [
              AppBar(
                backgroundColor: Colors.transparent,
                elevation: 0,
                centerTitle: true,
                leading: IconButton(
                    icon: Icon(Icons.tv),
                    onPressed: () {
                      print('點擊了直播按鈕');
                    }),
                actions: <Widget>[
                  //導航欄右側菜單
                  IconButton(
                      icon: Icon(Icons.search),
                      onPressed: () {
                        print('點擊了搜索按鈕');
                      }),
                ],
                title: TabBar(
                  indicator: UnderlineTabIndicator(
                      borderSide: BorderSide(width: 2.0, color: Colors.white),
                      insets: EdgeInsets.symmetric(horizontal: 18.0)),
                  labelStyle: TextStyle(fontSize: 18),
                  isScrollable: true,
                  controller: _tabController,
                  tabs: toptabs,
                  onTap: (index) {
                    print(index);
                  },
                ),
              )
            ],
          ),
        ],
      ),
      bottomNavigationBar: bottomItems(),
    );
  }

底部彈出提示認證頁面

在 onTap 方法里

Scaffold.of(context).showBottomSheet<void>((BuildContext context) {
          return Login();
        });

BottomSheet 是一個底部滑出的組件

new BottomSheet(
    onClosing: () {},
    builder: (BuildContext context) {
        return new Text('aaa');
    },
),

通常很少直接使用 BottomSheet 而是使用 showModalBottomSheet。直接時候的時候看到的知識 builder 里的內容。

Future<T> showModalBottomSheet <T>({
    @required BuildContext context,
    @required WidgetBuilder builder
});

看一個示例

new MaterialButton(
    color: Colors.blue,
    child: new Text('點我'),
    onPressed: () {
        showModalBottomSheet(
            context: context,
            builder: (BuildContext context) {
                return new Container(
                    height: 300.0,
                    child: new Image.network(this.imgurl),
                );
            },
        ).then((val) {
            print(val);
        });
 

 具體詳細介紹參考官網.

關注頁面

 整個頁面布局，左右都有邊距，頂部也有邊距，所有採用Container包含，邊距使用padding: EdgeInsets.only(top: 150.0, left: 65.0, right: 65.0),  背景顏色 color: Color.fromRGBO(14, 15, 26, 1)，依次image，另外使用sizebox佔用空間，

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

當全世界的人們隨著網路時代而改變向上時您還停留在『網站美醜不重要』的舊有思維嗎？機會是留給努力改變現況的人們，別再浪費一分一秒可以接觸商機的寶貴時間！

其他的中間層都是居中，所以採用center都是居中，另外登錄按鈕是佔滿屏幕的，所以也採用SizeBox，並且把width:設置為double.infinity，這樣就佔滿屏幕，button採用默認的RaisedButton，在button的onpressed事件調用showBottomSheet

import 'package:flutter/material.dart';
import 'package:flutter_app/Screens/loginScreen.dart';

class Subscription extends StatefulWidget {
  @override
  State<StatefulWidget> createState() => _SubscriptionState();
}

class _SubscriptionState extends State<Subscription>
    with TickerProviderStateMixin {
  final GlobalKey<ScaffoldState> scaffoldKey = GlobalKey<ScaffoldState>();
  @override
  Widget build(BuildContext context) {
    return Container(
      padding: EdgeInsets.only(top: 150.0, left: 65.0, right: 65.0),
      color: Color.fromRGBO(14, 15, 26, 1),
      child: Column(
          crossAxisAlignment: CrossAxisAlignment.start,
          children: <Widget>[
            Image(image: AssetImage("assets/images/int_1581491273221.png")),
            SizedBox(height: 20),
            Center(
              child: Text(
                '你還沒有登錄',
                style: TextStyle(
                    color: Colors.white,
                    fontSize: 20.0,
                    fontWeight: FontWeight.w400),
              ),
            ),
            SizedBox(height: 10),
            Center(
              child: Text(
                '登錄賬號，查看你關注的精彩內容',
                style: TextStyle(
                    color: Color.fromRGBO(253, 253, 253, 0.6),
                    fontSize: 14.0,
                    fontWeight: FontWeight.w400),
              ),
            ),
            SizedBox(height: 20),
            SizedBox(
              width: double.infinity,
              child: RaisedButton(
                color: Color.fromRGBO(252, 1, 86, 1),
                child: Text(
                  '登錄',
                  style: TextStyle(color: Colors.white),
                ),
                onPressed: () {
                  Scaffold.of(context)
                      .showBottomSheet<void>((BuildContext context) {
                    return Login();
                  });
                },
              ),
            ),
          ]),
    );
  }
}

登錄頁面

布局如下圖：

這個頁面整體布局頂部，左右都有邊距，因此使用Container比較合適，設置背景顏色為color: Colors.white, 邊距設置為padding:EdgeInsets.only(top: 25.0, left: 25.0, right: 25.0, bottom: 50.0)，整體布局採用Column，因為是上下布局，因此Column 設置

crossAxisAlignment: CrossAxisAlignment.start，頂部的布局是左邊一個clear圖標按鈕，右邊一個幫助按鈕，所以使用
Row布局，並且設置Row的mainAxisAlignment: MainAxisAlignment.spaceBetween，這樣就左右布局了，其他依次採用SizeBox佔位， 中間則採用Center來展示文字控件,底部的登錄部分因為包含標籤 超鏈接，所有採用RichText比較合適，包含TextSpan即可.

全部代碼如下:

import 'package:flutter/gestures.dart';
import 'package:flutter/material.dart';
import 'package:url_launcher/url_launcher.dart';

class Login extends StatefulWidget {
  @override
  State<StatefulWidget> createState() => _LoginState();
}

class _LoginState extends State<Login> {
  TapGestureRecognizer _myTapGestureRecognizer;
  @override
  void initState() {
    super.initState();
    _myTapGestureRecognizer = TapGestureRecognizer()
      ..onTap = () {
        launch('https://open.douyin.com/platform');
      };
  }

  @override
  void dispose() {
    _myTapGestureRecognizer.dispose();
    super.dispose();
  }

  @override
  Widget build(BuildContext context) {
    return Container(
      color: Colors.white,
      padding:
          EdgeInsets.only(top: 25.0, left: 25.0, right: 25.0, bottom: 50.0),
      child: Column(
        crossAxisAlignment: CrossAxisAlignment.start,
        children: [
          Row(
            mainAxisAlignment: MainAxisAlignment.spaceBetween,
            children: [
              IconButton(
                icon: Icon(Icons.clear),
                onPressed: () {
                  Navigator.pop(context);
                },
                color: Colors.black,
              ),
              Text('幫助', style: TextStyle(color: Colors.black)),
            ],
          ),
          SizedBox(
            height: 150.0,
          ),
          Center(
            child: Text('180****2520',
                style: TextStyle(color: Colors.black, fontSize: 38)),
          ),
          Center(
            child: Text('認證服務由中國電信提供',
                style: TextStyle(
                    color: Color.fromRGBO(53, 53, 53, 1), fontSize: 12)),
          ),
          SizedBox(
            height: 50.0,
          ),
          SizedBox(
            width: double.infinity,
            child: RaisedButton(
              color: Color.fromRGBO(252, 1, 86, 1),
              child: Text(
                '本機號碼一鍵登錄',
                style: TextStyle(color: Colors.white),
              ),
              onPressed: () {
                showBottomSheet(
                    context: context, builder: (context) => Login());
              },
            ),
          ),
          SizedBox(
            height: 2.0,
          ),
          SizedBox(
            width: double.infinity,
            child: OutlineButton(
              color: Color.fromRGBO(252, 1, 86, 1),
              child: Text(
                '其他手機號碼登錄',
                style: TextStyle(color: Colors.black),
              ),
              onPressed: () {
                showBottomSheet(
                    context: context, builder: (context) => Login());
              },
            ),
          ),
          SizedBox(
            height: 5.0,
          ),
          Center(
              child: RichText(
            text: TextSpan(
              children: [
                TextSpan(
                  text: '登錄即表明同意',
                  style: TextStyle(color: Color.fromRGBO(53, 53, 53, 0.8)),
                ),
                TextSpan(text: '  '),
                TextSpan(
                  text: '用戶協議',
                  style: TextStyle(color: Color.fromRGBO(0, 164, 219, 0.8)),
                ),
                TextSpan(text: '  '),
                TextSpan(
                  text: '和',
                  style: TextStyle(color: Color.fromRGBO(53, 53, 53, 0.8)),
                ),
                TextSpan(text: '  '),
                TextSpan(
                  text: '隱私政策',
                  style: TextStyle(color: Color.fromRGBO(0, 164, 219, 0.8)),
                ),
              ],
            ),
          )),
          Center(
              child: RichText(
            text: TextSpan(
              children: [
                TextSpan(
                  text: '以及',
                  style: TextStyle(color: Color.fromRGBO(53, 53, 53, 0.8)),
                ),
                TextSpan(text: '  '),
                TextSpan(
                    text: '《中國電信認證服務條款》',
                    style: TextStyle(color: Color.fromRGBO(0, 164, 219, 0.8)),
                    recognizer: _myTapGestureRecognizer),
              ],
            ),
          )),
          Expanded(
              flex: 1,
              child: Center(
                  heightFactor: 25.0,
                  child: Text('其他方式登錄',
                      style:
                          TextStyle(color: Color.fromRGBO(0, 164, 219, 0.8))))),
        ],
      ),
    );
  }
}

變更記錄

本次變更主要體現在首頁的選項卡設計，需要層疊展示，並且透明的採用appbar显示出頂部的關注、推薦按鈕，另外新增了關注頁，登錄頁，並且把底部按鈕以及右邊的按鈕都加上了觸發時間

接下來要完成的雙擊心形按鈕點贊，評論頁面，分享頁面，這些都可以採用showmodalbottomsheet方法打開一個底部抽屜頁面

還有底部的首頁刷新，消息頁面，拍短視頻頁面，消息頁面，我的個人信息頁面

結語

請繼續關注本博客，其他頁面持續更新完成，源碼地址：https://github.com/WangCharlie/douyin，歡迎fork和star，謝謝！！！

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

透過資料庫的網站架設建置，建立公司的形象或購物系統，並提供最人性化的使用介面，讓使用者能即時接收到相關的資訊