如何在运行时修改Telerik控件的主题_百度知道
如何在运行时修改Telerik控件的主题
提问者采纳
Left& VerticalAlignment=&
} 3, Mode=OneTime}&quot.xaml，方便查看双向绑定是否成功 &lt.PropertyChanged += new SponentModel.ResetRootVisual();{Binding SelectedTheme； public sealed class StyleViewModel .{Binding SelectedTTop&Top& Margin=&quot,69,30;
}修改Application_Startup.customeStyle = new StyleViewModel();
private readonly IEnumerable&lt.C }}
public event PropertyChangedEventHandler PropertyChanged, Mode=TwoWay}&quot:RadComboBox HorizontalAlignment=&quot.customeStyle.customeStyle.selectedT
this,0,0& VerticalAlignment=& Width=&SelectedTheme& Name=&quot、首先建立StyleViewModel类;radComboBox2&
rootVisual.customeS
}2;}set {Theme&gt、创建界面控件创建两个CmoboBox控件并对他们的SelectedItem进行双向绑定; /
ItemsSource=&quot, Mode=OneWay}& Margin=&quot. 4;sdk，继承INotifyPropertyChanged以实现双向绑定, StartupEventArgs e){ponentModel:RadComboBox&gt, S Name=&quot.PropertyChangedEventArgs e){StyleM ThemesSource{get { return this:RadComboBox&gt.Value).Clear()，用来重新绘制根节点 private void ResetRootVisual(){var rootVisual = A SelectedItem=&{Binding SelectedTheme.ApplicationTheme = this.Children,0;
&
this, Mode=OneTime}& Width=&&#47,0&& & SelectedItem=& themesSource = ThemeM59、修改MainPage，创建StyleViewModel对象: INotifyPropertyChanged{private Theme selectedTLeft& Margin=&quot.PropertyChanged(28&)); VerticalAlignment=&quot.StandardThemes.PropertyChangedEventHandler(customeStyle_PropertyChanged);Theme&{Binding ThemesSource.ResetRootVisual().RootVisual = new Grid(),0& HorizontalAlignment=& Content=&quot:RadComboBox HorizontalAlignment=&
&{Binding ThemesSource, Mode=TwoWay}&
ItemsSource=&Left&quot?250&quot.CradComboBox1&quot.First().Select(a =&gt1.themesS Name=&quot、最终效果图 总结;
}新增GetCustomeStyle方法用于获取customeStyle public StyleViewModel GetCustomeStyle(){ Width=&&#47:Label Height=&37;Top&quot.Add(new MainPage())，并响应PropertyChanged事件 private void Application_Startup(object sender.RootVisual as Grid,30;
&lt.selectedTheme = value：这个方法的缺点在于每次更改样式主题后都会重置用户界面为初始界面;
316;120&}5、修改A
250&
this.SelectedTheme，绑定DataContext public MainPage(){InitializeComponent();
rootV
&lt, new PropertyChangedEventArgs(&}}
public IEnumerable&&gt,0.cs新建方法ResetRootV}void customeStyle_PropertyChanged(
public Theme SelectedTheme{get {return this
其他类似问题
为您推荐：
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁一、主题模型
要介绍LDA，首先说说主题模型（Topic Model）的概念。主题模型是一种生成式模型，而且是通过主题来生成的。就是说，我们认为一篇文档的每个词都是通过以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语这样一个过程得到的。
何谓“主题”呢？其含义就是诸如一篇文章、一段话、一个句子所表达的中心思想，只不过不同的是，从统计模型的角度来说，我们是用一个特定的词频分布来刻画主题的，不同主题的词相同，但是词频不同。一篇文档一般有多个主题，这样，我们就可以认为，一篇文档是有多个主题来生成的。
举例：如果我们要生成一篇文档，它里面的每个词语出现的概率为：
这个概率公式可以用矩阵表示：
其中”文档-词语”矩阵表示每个文档中每个单词的词频，即出现的概率；”主题-词语”矩阵表示每个主题中每个单词的出现概率；”文档-主题”矩阵表示每个文档中每个主题出现的概率。
给定一系列文档，通过对文档进行分词，计算各个文档中每个单词的词频就可以得到左边这边”文档-词语”矩阵。主题模型就是通过左边这个矩阵进行训练，学习出右边两个矩阵。
主题模型有两种：pLSA（ProbabilisticLatent Semantic Analysis）和LDA（Latent Dirichlet Allocation），下面主要介绍LDA。二、LDA介绍
如何生成M份包含N个单词的文档，LatentDirichlet Allocation这篇文章介绍了3方法：
方法一：unigram model
该模型使用下面方法生成1个文档：
For each ofthe N words w_n:
Choose a word w_n ～ p(w);
其中N表示要生成的文档的单词的个数，w_n表示生成的第n个单词w，p(w)表示单词w的分布，可以通过语料进行统计学习得到，比如给一本书，统计各个单词在书中出现的概率。
这种方法通过训练语料获得一个单词的概率分布函数，然后根据这个概率分布函数每次生成一个单词，使用这个方法M次生成M个文档。其图模型如下图所示：
方法二：Mixture of unigram
unigram模型的方法的缺点就是生成的文本没有主题，过于简单，mixture of unigram方法对其进行了改进，该模型使用下面方法生成1个文档：
Choose a topicz ～ p(z);
For each ofthe N words w_n:
Choose a word w_n ～ p(w|z);
其中z表示一个主题，p(z)表示主题的概率分布，z通过p(z)按概率产生；N和w_n同上；p(w|z)表示给定z时w的分布，可以看成一个k×V的矩阵，k为主题的个数，V为单词的个数，每行表示这个主题对应的单词的概率分布，即主题z所包含的各个单词的概率，通过这个概率分布按一定概率生成每个单词。
这种方法首先选选定一个主题z，主题z对应一个单词的概率分布p(w|z)，每次按这个分布生成一个单词，使用M次这个方法生成M份不同的文档。其图模型如下图所示：
从上图可以看出，z在w所在的长方形外面，表示z生成一份N个单词的文档时主题z只生成一次，即只允许一个文档只有一个主题，这不太符合常规情况，通常一个文档可能包含多个主题。
方法三：LDA(Latent Dirichlet Allocation)
LDA方法使生成的文档可以包含多个主题，该模型使用下面方法生成1个文档：
Chooseparameter θ ～ p(θ);
For each ofthe N words w_n:
Choose a topic z_n ～ p(z|θ);
Choose a word w_n ～ p(w|z);
其中θ是一个主题向量，向量的每一列表示每个主题在文档出现的概率，该向量为非负归一化向量；p(θ)是θ的分布，具体为Dirichlet分布，即分布的分布；N和w_n同上；z_n表示选择的主题，p(z|θ)表示给定θ时主题z的概率分布，具体为θ的值，即p(z=i|θ)= θ_i；p(w|z)同上。
这种方法首先选定一个主题向量θ，确定每个主题被选择的概率。然后在生成每个单词的时候，从主题分布向量θ中选择一个主题z，按主题z的单词概率分布生成一个单词。其图模型如下图所示：
从上图可知LDA的联合概率为：
把上面的式子对应到图上，可以大致按下图理解：
从上图可以看出，LDA的三个表示层被三种颜色表示出来：
1. corpus-level（红色）：α和β表示语料级别的参数，也就是每个文档都一样，因此生成过程只采样一次。
2.document-level（橙色）：θ是文档级别的变量，每个文档对应一个θ，也就是每个文档产生各个主题z的概率是不同的，所有生成每个文档采样一次θ。
3. word-level（绿色）：z和w都是单词级别变量，z由θ生成，w由z和β共同生成，一个 单词w对应一个主题z。
通过上面对LDA生成模型的讨论，可以知道LDA模型主要是从给定的输入语料中学习训练两个控制参数α和β，学习出了这两个控制参数就确定了模型，便可以用来生成文档。其中α和β分别对应以下各个信息：
α：分布p(θ)需要一个向量参数，即Dirichlet分布的参数，用于生成一个主题θ向量；
β：各个主题对应的单词概率分布矩阵p(w|z)。
把w当做观察变量，θ和z当做隐藏变量，就可以通过EM算法学习出α和β，求解过程中遇到后验概率p(θ,z|w)无法直接求解，需要找一个似然函数下界来近似求解，原文使用基于分解（factorization）假设的变分法（varialtional inference）进行计算，用到了EM算法。每次E-step输入α和β，计算似然函数，M-step最大化这个似然函数，算出α和β，不断迭代直到收敛。 参考文献：David M. Blei, AndrewY. Ng, Michael I. Jordan,
LatentDirichlet Allocation, Journal of Machine Learning Research 3, p993-热与分享，谢谢关注！点击标题下的【数据全栈】快捷关注数据全栈(inteldt)　
　文章为作者独立观点，不代表微头条立场
的最新文章
海量数据处理算法题，是做服务端开发、网络爬虫、数据分析挖掘的可能面试题，这里给出了思路、进行了一些总结有一个字符串”BBC ABCDAB ABCDABCDABDE”，我想知道，里面是否包含另一个字符串”ABCDABD”？
这完全可以是一道程序员笔试题。以PLSA和LDA为代表的文本语言模型是当今统计自然语言处理研究的热点问题。这类语言模型一般都是对文本的生成不懂得日志，你就不可能完全懂得数据库本文摘自张潼(百度研究院副院长)在第五届中国智能产业高峰论坛的演讲，其对大数据发展方向的洞察值得细细琢磨。大数据文档存储mongodb,分布式搜索引擎elasticsearch，熟悉的hadoop。该文将告诉你，他们的边界没那么清晰，却又将各有所长。这就是我们如何使用大数据工具箱的艺术。布隆过滤器 (Bloom Filter)是由Burton Howard Bloom于1970年提出，它是一种space efficient的概率型数据结构，用于判断一个元素是否在集合中。不懂得日志，你就不可能完全懂得数据库机器学习、自然语言处理、数据分析以及可视化领域的框架、库以及软件的总结，可以说是一个大数据的开源工具箱。其中，特别有java实现的中文分词HanLP和Ansj值得中文NLP人员关注。介绍了简单有效的分词方法——N元分词算法（语言模型）的基础数据结构切分词图。人名识别，是自然语言处理中的命名实体识别的子课题，在舆情系统中具有很高的应用价值，也能提高分词的准确性。本文主要是理顺LDA模型的思路，不包括初看起来比较头大的数据公式和推导。这样让初学者可以很好的理解而不会望虎生畏，虽然这虎是“纸老虎”。不懂得日志，你就不可能完全懂得数据库inteldt大数据全栈技术,拥抱大数据时代热门文章最新文章inteldt大数据全栈技术,拥抱大数据时代主题模型Topic Model（16）
Browse LDA Topic Models
This package allows you to create a set of HTML files to browse a topic model.It creates a word cloud and time-graph per topic, and annotates a selection of documents with the topic for each word.
Installing 安装
R命令行中输入：
if (!require(devtools)) {install.packages(&devtools&); library(devtools)}
install_github(&vanatteveldt/topicbrowser&)
library(topicbrowser)
第一步提示要安装Rtools :
Loading required package: devtools
WARNING: Rtools is required to build R packages, but is not currently installed.
download and install Rtools 3.1 from , then run & find_rtools()
安装完成后第一步就不会报错了
1. 当前我使用的R版本3.2.0， Rtools版本3.3会报错，要安装Rtools3.1！再看看官方的也是醉了！！！
[http://cran.r-project.org/bin/windows/Rtools/]
2. 注意Rtools和R版本的兼容，没有错误时的样子:
& if (!require(devtools)) {install.packages(&devtools&); library(devtools)}
& install_github(&vanatteveldt/topicbrowser&)
Downloading github repo vanatteveldt/topicbrowser@master
Installing topicbrowser
&C:/PROGRA~1/R/R-32~1.0/bin/x64/R& --vanilla CMD INSTALL
&C:/Users/pi/AppData/Local/Temp/RtmpcvsU6M/devtools11d0fc638d5/vanatteveldt-topicbrowser-cfa62a3&
--library=&C:/Users/pi/Documents/R/win-library/3.2& --install-tests
* installing *source* package 'topicbrowser' ...
** preparing package for lazy loading
*** installing help indices
** building package indices
** testing if installed package can be loaded
* DONE (topicbrowser)
Reloading installed topicbrowser
& library(topicbrowser)
Creating a topic browser
1. 先要安装R实现的topicmodel包
& install.packages(&topicmodels&)
Installing package into 慍:/Users/pi/Documents/R/win-library/3.2?(as 憀ib?is unspecified)
trying URL '/bin/windows/contrib/3.2/topicmodels_0.2-1.zip'
Content type 'application/zip' length 1308321 bytes (1.2 MB)
downloaded 1.2 MB
package 憈opicmodels?successfully unpacked and MD5 sums checked
The downloaded binary packages are in
C:\Users\pi\AppData\Local\Temp\RtmpcvsU6M\downloaded_packages
2. To create a topic browser, you need to have:
A model fit using&
topicmodels::LDA
The set of original tokens used to create the document term matrix, and the document ids these tokens are fromThe metadata of the documents, containing aid, headline, and date
the solution for problem of &Failed with error: ‘package ‘topicmodels’ was built before R 3.0.0: please re-install it&. Used the following sequence of commands from R console:
require(devtools)
install_url(&http://cran.r-project.org/src/contrib/topicmodels_0.2-1.tar.gz&)
require(topicmodels)
ls(&package:topicmodels&)
但是这样安装topicmodel的R语言包会出错：ERROR: compilation failed for package 'topicmodels'
3. The provided data file 'sotu' contains this data from the state of the union addresses. Make sure that the tokens are ordered in the way they appeared in the article
& data(sotu)
& tokens = tokens[order(tokens$aid, tokens$id), ]
& class(m)
[1] &LDA_Gibbs&
attr(,&package&)
[1] &topicmodels&
& head(tokens)
word sentence
pos offset id pos1 freq
unfinished unfinished
& head(meta)
1 13-02-12 Speeches Barack Obama
2 13-02-12 Speeches Barack Obama
3 13-02-12 Speeches Barack Obama
4 13-02-12 Speeches Barack Obama
5 13-02-12 Speeches Barack Obama
6 13-02-12 Speeches Barack Obama
4. With these data, you can create a topic browser as follows:
output = createTopicBrowser(m, tokens$lemma, tokens$aid, words=tokens$word, meta=meta)
## Writing html to /tmp/Rtmp7o5E48/topicbrowser_3f047fbf0d1e.html
## Preparing variables
## Rendering overview
## Rendering topic 1
## Rendering topic 2
## Rendering topic 3
## Rendering topic 4
## Rendering topic 5
## Rendering topic 6
## Rendering topic 7
## Rendering topic 8
## Rendering topic 9
## Rendering topic 10
## HTML written to /tmp/Rtmp7o5E48/topicbrowser_3f047fbf0d1e.html
You can also publish the output file directly using markdown::rpubsupload:
library(markdown)
result = rpubsUpload(&Example topic browser&, output)
browseURL(result$continueUrl)
See the [the example](/vanatteveldt/topicbrowser) for a collection of State of the Union addresses.
All codes:
#download and install Rtools 3.1 from http://cran.r-project.org/bin/windows/Rtools/, then run
find_rtools()
if (!require(devtools)) {install.packages(&devtools&); library(devtools)}
#install_github(&vanatteveldt/topicbrowser&)
library(topicbrowser)
#install.packages(&topicmodels&)
library(topicmodels)
topicmodels::LDA
data(sotu)
tokens = tokens[order(tokens$aid, tokens$id), ]
head(tokens)
head(meta)
output = createTopicBrowser(m, tokens$lemma, tokens$aid, words=tokens$word, meta=meta)
测试运行(simple.py)
1. 下载对应字体
2. windows下运行要修改font_path
wordcloud = WordCloud(font_path=r'C:\Windows\Fonts\DejaVuSansMono.ttf', ranks_only=True).generate(text)
相关设置（wordcloud.py）
FONT_PATH = os.environ.get(&FONT_PATH&, &/usr/share/fonts/truetype/droid/DroidSansMono.ttf&)
STOPWORDS = set([x.strip() for x in open(os.path.join(os.path.dirname(__file__), 'stopwords')).read().split('\n')])
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：585677次
积分：9818
积分：9818
排名：第1122名
原创：414篇
转载：72篇
评论：79条
阅读：6855
文章：13篇
阅读：16599
阅读：8797
文章：16篇
阅读：28221
文章：18篇
阅读：22976
(3)(6)(16)(6)(11)(15)(5)(4)(5)(30)(8)(12)(9)(10)(17)(20)(19)(7)(24)(9)(15)(19)(57)(12)(28)(15)(36)(15)(19)(2)(2)
Contact me291 Mechanical dinosaur model for Theme park dinosaur
Product Added to Favorites
Share to :
Not exactly what you want?
Product Details:
Type:Artificial Dinosaur,Mechanical dinosaur model for Theme park
Color:depend on the order of customers
Material:steel skeleton high density foam advaned silicone rubber&fiber glass
Technic:assemblage
Usage:dinosaur park amusement park theme park playground
220V or 110V
Power:high quality CE motor
Input:220vac 50hz 110vac 50hz
Description:
consummate production, circumspect service, perfect quality and
scientific managing which afford perfect and beautiful product to
domestic and aboard clients.
Contact Person:
Mr. Jow zhou
Job Title: Manager
Telephone:86-813-5508768
Mobile Phone:+2
Fax:86-813-2203541
Street:NO1.Tangkanshang Roud .Est Street.ZILIUJIN ZIGONG
Country/Region:China
Province/State:
City:zigong
Company details:
Company Name: Zigong Hualong Art Co.,
Location of Registration: China (Mainland) Sichuan zigong
Oprational Address: NO1.Tangkanshang Roud .Est Street.ZILIUJIN ZIGONG
Company Phone:
Company Fax: 1
Inquire immediately to the supplier:
* Subject:
* Message:
Thank you! Your message has been successfully sent to the supplier.
Related Categories
Mobile Channel:
Copyright Notice &
Corporation. All rights reserved.}