Yii 1开发日记,yii开发日记
Yii 1开发日记,yii开发日记
用yii 1实现后台的搜索功能,效果如下图:
1.模型中:
<span> 1</span> <span>public</span> <span>function</span><span> search() </span><span> 2</span> <span> { </span><span> 3</span> <span> 4</span> <span>$criteria</span> = <span>new</span><span> CDbCriteria; </span><span> 5</span> <span>//</span><span>独立高级搜索</span> <span> 6</span> <span>if</span>(<span>isset</span>( <span>$_GET</span>['goods'<span>]) ) { </span><span> 7</span> <span>//</span><span>商品货号</span> <span> 8</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['goods_sn']) && <span>$_GET</span>['goods']['goods_sn'] != ""<span>) </span><span> 9</span> <span> { </span><span>10</span> <span>$criteria</span>->compare('goods_sn',<span>$_GET</span>['goods']['goods_sn'], <span>true</span><span> ); </span><span>11</span> <span> } </span><span>12</span> <span>//</span><span>商品名称</span> <span>13</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['goods_name']) && <span>$_GET</span>['goods']['goods_name'] != ""<span>) </span><span>14</span> <span> { </span><span>15</span> <span>$criteria</span>->compare('goods_name',<span>$_GET</span>['goods']['goods_name'], <span>true</span><span>); </span><span>16</span> <span> } </span><span>17</span> <span>//</span><span>商品分类</span> <span>18</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['cat_id']) && <span>$_GET</span>['goods']['cat_id'] != ""<span>) </span><span>19</span> <span> { </span><span>20</span> <span>$criteria</span>->compare('cat_id',<span>$_GET</span>['goods']['cat_id'], <span>true</span><span>); </span><span>21</span> <span> } </span><span>22</span> <span>//</span><span>是否上架</span> <span>23</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['is_on_sale']) && <span>$_GET</span>['goods']['is_on_sale'] != ""<span>) </span><span>24</span> <span> { </span><span>25</span> <span>$criteria</span>->compare('is_on_sale',<span>$_GET</span>['goods']['is_on_sale'<span>]); </span><span>26</span> <span> } </span><span>27</span> <span>//</span><span>是否精品</span> <span>28</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['is_best']) && <span>$_GET</span>['goods']['is_best'] != ""<span>) </span><span>29</span> <span> { </span><span>30</span> <span>$criteria</span>->compare('is_best',<span>$_GET</span>['goods']['is_best'<span>]); </span><span>31</span> <span> } </span><span>32</span> <span>//</span><span>是否新品</span> <span>33</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['is_new']) && <span>$_GET</span>['goods']['is_new'] != ""<span>) </span><span>34</span> <span> { </span><span>35</span> <span>$criteria</span>->compare('is_new',<span>$_GET</span>['goods']['is_new'<span>]); </span><span>36</span> <span> } </span><span>37</span> <span>//</span><span>是否热销</span> <span>38</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['is_hot']) && <span>$_GET</span>['goods']['is_hot'] != ""<span>) </span><span>39</span> <span> { </span><span>40</span> <span>$criteria</span>->compare('is_hot',<span>$_GET</span>['goods']['is_hot'<span>]); </span><span>41</span> <span> } </span><span>42</span> <span>43</span> <span> } </span><span>44</span> <span>return</span> <span>new</span> CActiveDataProvider(<span>$this</span>, <span>array</span><span>( </span><span>45</span> 'criteria'=><span>$criteria</span> <span>46</span> <span> )); </span><span>47</span> }
2.控制器中:
<span>$model</span>=<span>new</span> B2cGoods('search');
表示在model中启用模型中的search作为搜索。
3.视图中:
<div <span>class</span>="well"> <div <span>class</span>="search-box"> <form <span>class</span>="form-inline" method="get" action=""><br /> <span>//指定form表单提交的页面,很重要</span> <input type='hidden' name='r' value='B2CShop/b2cGoods/goodsList/id/<?php echo $id ?>'> <div <span>class</span>="form-group"> <<span>input name</span>="goods[goods_sn]"<span> type</span>="text" <span>class</span>="form-control"<span> style</span>="width:140px;"<span> placeholder </span>= "商品货号"<span> value</span>=<?php <span>echo</span> <span>$_GET</span>['goods']['goods_sn'] ; ?> > </div>&<span>nbsp; </span><div <span>class</span>="form-group"> <<span>input name</span>="goods[goods_name]"<span> type</span>="text" <span>class</span>="form-control"<span> style</span>="width:140px;"<span> placeholder </span>= "商品名称"<span> value</span>=<?php <span>echo</span> <span>$_GET</span>['goods']['goods_name'] ; ?> > </div> &<span>nbsp; </span><div <span>class</span>="form-group"> <?php <span>echo</span> CHtml::dropDownList( "goods[cat_id]" , <span>$_GET</span>['goods']['cat_id'] ,<span> B2cCategory</span>::listData( <span>$id</span> ) , <span>array</span>( "class"=>"form-control" , 'empty'=>'请选择类型...', 'encode' => <span>false</span>, "style"=>"width:140px") ); ?> </div> &<span>nbsp; </span><div <span>class</span>="checkbox"> <label>上架 </span><<span>input type</span>="checkbox"<span> name</span>="goods[is_on_sale]"<span> style</span>="width: 24px;"<span> value</span>="1"<br /> <span>//实现checkbox,刷新页面保持原状态</span> <?php <span>echo</span> <span>$_GET</span>['goods']['is_on_sale']?'checked="checked"':'' ?> > </label> </div> &<span>nbsp; </span><div <span>class</span>="checkbox"> <label>精品 </span><<span>input type</span>="checkbox"<span> name</span>="goods[is_best]"<span> style</span>="width: 24px;"<span> value</span>="1" <?php <span>echo</span> <span>$_GET</span>['goods']['is_best']?'checked="checked"':'' ?> > </label> </div> &<span>nbsp; </span><div <span>class</span>="checkbox"> <label>新品 </span><<span>input type</span>="checkbox"<span> name</span>="goods[is_new]"<span> style</span>="width: 24px;"<span> value</span>="1" <?php <span>echo</span> <span>$_GET</span>['goods']['is_new']?'checked="checked"':'' ?> > </label> </div> &<span>nbsp; </span><div <span>class</span>="checkbox"> <label>热销 </span><<span>input type</span>="checkbox"<span> name</span>="goods[is_hot]"<span> style</span>="width: 24px;"<span> value</span>="1" <?php <span>echo</span> <span>$_GET</span>['goods']['is_hot']?'checked="checked"':'' ?> > </label> </div> <button type="submit" <span>class</span>="btn btn-default"><span <span>class</span>="glyphicon glyphicon-search"></span> 搜 索</button> </form> </div> </div>
这里需要注意的一点是实现checkbox,保持原状态,echo $_GET['goods']['is_hot']?'checked="checked"':'' ?>,即用php判断是否有值。

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Bayangkan model kecerdasan buatan yang bukan sahaja mempunyai keupayaan untuk mengatasi pengkomputeran tradisional, tetapi juga mencapai prestasi yang lebih cekap pada kos yang lebih rendah. Ini bukan fiksyen sains, DeepSeek-V2[1], model MoE sumber terbuka paling berkuasa di dunia ada di sini. DeepSeek-V2 ialah gabungan model bahasa pakar (MoE) yang berkuasa dengan ciri-ciri latihan ekonomi dan inferens yang cekap. Ia terdiri daripada 236B parameter, 21B daripadanya digunakan untuk mengaktifkan setiap penanda. Berbanding dengan DeepSeek67B, DeepSeek-V2 mempunyai prestasi yang lebih kukuh, sambil menjimatkan 42.5% kos latihan, mengurangkan cache KV sebanyak 93.3% dan meningkatkan daya pemprosesan penjanaan maksimum kepada 5.76 kali. DeepSeek ialah sebuah syarikat yang meneroka kecerdasan buatan am

Awal bulan ini, penyelidik dari MIT dan institusi lain mencadangkan alternatif yang sangat menjanjikan kepada MLP - KAN. KAN mengatasi MLP dari segi ketepatan dan kebolehtafsiran. Dan ia boleh mengatasi prestasi MLP berjalan dengan bilangan parameter yang lebih besar dengan bilangan parameter yang sangat kecil. Sebagai contoh, penulis menyatakan bahawa mereka menggunakan KAN untuk menghasilkan semula keputusan DeepMind dengan rangkaian yang lebih kecil dan tahap automasi yang lebih tinggi. Khususnya, MLP DeepMind mempunyai kira-kira 300,000 parameter, manakala KAN hanya mempunyai kira-kira 200 parameter. KAN mempunyai asas matematik yang kukuh seperti MLP berdasarkan teorem penghampiran universal, manakala KAN berdasarkan teorem perwakilan Kolmogorov-Arnold. Seperti yang ditunjukkan dalam rajah di bawah, KAN telah

Pengesanan objek ialah masalah yang agak matang dalam sistem pemanduan autonomi, antaranya pengesanan pejalan kaki adalah salah satu algoritma terawal untuk digunakan. Penyelidikan yang sangat komprehensif telah dijalankan dalam kebanyakan kertas kerja. Walau bagaimanapun, persepsi jarak menggunakan kamera fisheye untuk pandangan sekeliling agak kurang dikaji. Disebabkan herotan jejari yang besar, perwakilan kotak sempadan standard sukar dilaksanakan dalam kamera fisheye. Untuk mengurangkan perihalan di atas, kami meneroka kotak sempadan lanjutan, elips dan reka bentuk poligon am ke dalam perwakilan kutub/sudut dan mentakrifkan metrik mIOU pembahagian contoh untuk menganalisis perwakilan ini. Model fisheyeDetNet yang dicadangkan dengan bentuk poligon mengatasi model lain dan pada masa yang sama mencapai 49.5% mAP pada set data kamera fisheye Valeo untuk pemanduan autonomi

Video terbaru robot Tesla Optimus dikeluarkan, dan ia sudah boleh berfungsi di kilang. Pada kelajuan biasa, ia mengisih bateri (bateri 4680 Tesla) seperti ini: Pegawai itu juga mengeluarkan rupanya pada kelajuan 20x - pada "stesen kerja" kecil, memilih dan memilih dan memilih: Kali ini ia dikeluarkan Salah satu sorotan video itu ialah Optimus menyelesaikan kerja ini di kilang, sepenuhnya secara autonomi, tanpa campur tangan manusia sepanjang proses. Dan dari perspektif Optimus, ia juga boleh mengambil dan meletakkan bateri yang bengkok, memfokuskan pada pembetulan ralat automatik: Berkenaan tangan Optimus, saintis NVIDIA Jim Fan memberikan penilaian yang tinggi: Tangan Optimus adalah robot lima jari di dunia paling cerdik. Tangannya bukan sahaja boleh disentuh

FP8 dan ketepatan pengiraan titik terapung yang lebih rendah bukan lagi "paten" H100! Lao Huang mahu semua orang menggunakan INT8/INT4, dan pasukan Microsoft DeepSpeed memaksa diri mereka menjalankan FP6 pada A100 tanpa sokongan rasmi daripada Nvidia. Keputusan ujian menunjukkan bahawa kaedah baharu TC-FPx FP6 kuantisasi pada A100 adalah hampir atau kadangkala lebih pantas daripada INT4, dan mempunyai ketepatan yang lebih tinggi daripada yang terakhir. Selain itu, terdapat juga sokongan model besar hujung ke hujung, yang telah bersumberkan terbuka dan disepadukan ke dalam rangka kerja inferens pembelajaran mendalam seperti DeepSpeed. Keputusan ini juga mempunyai kesan serta-merta pada mempercepatkan model besar - di bawah rangka kerja ini, menggunakan satu kad untuk menjalankan Llama, daya pemprosesan adalah 2.65 kali lebih tinggi daripada dua kad. satu

Pautan projek ditulis di hadapan: https://nianticlabs.github.io/mickey/ Memandangkan dua gambar, pose kamera di antara mereka boleh dianggarkan dengan mewujudkan kesesuaian antara gambar. Biasanya, surat-menyurat ini adalah 2D hingga 2D, dan anggaran pose kami adalah skala-tak tentu. Sesetengah aplikasi, seperti realiti tambahan segera pada bila-bila masa, di mana-mana sahaja, memerlukan anggaran pose metrik skala, jadi mereka bergantung pada penganggar kedalaman luaran untuk memulihkan skala. Makalah ini mencadangkan MicKey, proses pemadanan titik utama yang mampu meramalkan korespondensi metrik dalam ruang kamera 3D. Dengan mempelajari padanan koordinat 3D merentas imej, kami dapat membuat kesimpulan relatif metrik

Gambaran Keseluruhan LLaMA-3 (LargeLanguageModelMetaAI3) ialah model kecerdasan buatan generatif sumber terbuka berskala besar yang dibangunkan oleh Syarikat Meta. Ia tidak mempunyai perubahan besar dalam struktur model berbanding LLaMA-2 generasi sebelumnya. Model LLaMA-3 dibahagikan kepada versi skala yang berbeza, termasuk kecil, sederhana dan besar, untuk memenuhi keperluan aplikasi dan sumber pengkomputeran yang berbeza. Saiz parameter model kecil ialah 8B, saiz parameter model sederhana ialah 70B, dan saiz parameter model besar mencapai 400B. Walau bagaimanapun, semasa latihan, matlamatnya adalah untuk mencapai kefungsian berbilang modal dan berbilang bahasa, dan hasilnya dijangka setanding dengan GPT4/GPT4V. Pasang OllamaOllama ialah model bahasa besar sumber terbuka (LL

Untuk menyelaraskan model bahasa besar (LLM) dengan nilai dan niat manusia, adalah penting untuk mempelajari maklum balas manusia untuk memastikan bahawa ia berguna, jujur dan tidak berbahaya. Dari segi penjajaran LLM, kaedah yang berkesan ialah pembelajaran pengukuhan berdasarkan maklum balas manusia (RLHF). Walaupun keputusan kaedah RLHF adalah cemerlang, terdapat beberapa cabaran pengoptimuman yang terlibat. Ini melibatkan latihan model ganjaran dan kemudian mengoptimumkan model dasar untuk memaksimumkan ganjaran tersebut. Baru-baru ini, beberapa penyelidik telah meneroka algoritma luar talian yang lebih mudah, salah satunya ialah pengoptimuman keutamaan langsung (DPO). DPO mempelajari model dasar secara langsung berdasarkan data keutamaan dengan meparameterkan fungsi ganjaran dalam RLHF, sekali gus menghapuskan keperluan untuk model ganjaran yang jelas. Kaedah ini mudah dan stabil
