在Xcode6上创建pch文件

在Xcode6之前,新创建一个项目的时候,系统会默认创建一个pch文件(precompiled header,预编译头文件),我们往往在里面导入框架、类库的头文件,或者定义宏,使得它们能够被全局使用。

但Xcode6之后,新创建项目时,默认是不创建pch文件的,因此只能手动添加了。

1、新建项目,New File,选择iOS ->  Other ->  PCH File,Next。



2、在弹出的窗口中,Save As 输入框内,可以给pch文件重新命名,注意,系统会自动添加 .pch 后缀的,不需要我们自己写。其余的选项默认即可。



3、打开创建好的pch文件,如图:



4、其中的注释信息提示我们,必须先去target文件中,配置此pch文件的引用路径。点击target文件,在Build Settings选项中,搜索pre,在Language中,找到Precompile Prefix Header,将它的值设置为Yes,(这一步骤可省略,暂未发现省略它所带来的问题)。接着,在Prefix Header中,输入$(SRCROOT)/当前target名字/pch文件名字(pch文件要带上后缀)。如下图所示:


简单解释一下,$(SRCROOT)表示当前目录,其中SRC,应该是source的简写(俺可不敢拍胸膛保证哈)。这种写法的好处在于,$(SRCROOT)会自动转换成项目当前所在的目录,这样一来,当你把项目发给小伙伴的时候,小伙伴可以直接在他的电脑上运行,而不会出现pch文件路径错误的情况。这就是所谓的相对路径。但是,如果你直接把pch文件拖拽到上图的输入框中,那么pch的路径就是绝对路径,此时你把项目发给小伙伴,小伙伴是不能直接运行的,得先修改pch的路径。


5、另外,也可以在Prefix Header中,直接输入:当前target名字/pch文件名字,效果与前一种方法一致:



6、配置好pch文件路径后,简单测试一下。在pch文件中,导入一个类的头文件,以及定义一个URL宏:


7、在ViewController.m中,使用上一步骤中的类和宏,运行,一切OK:



8、参考文章:

Xcode6为什么干掉pch(Precompile Prefix Header)&如何添加pch文件


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值