v7包下在非AppCompatActivity添加Toolbar

Toolbar:
允许了更多的UI灵活性,并且允许Activity更容易地兼容于材料设计的UI模式。
 
1、在xml中添加如下内容:
<android.support.v7.widget.Toolbar
     android:id="@+id/my_awesome_toolbar"
     android:layout_height="@dimen/abc_action_bar_default_height_material"
     android:layout_width="match_parent"
     android:minHeight="@dimen/abc_action_bar_default_height_material"
     android:background="?attr/colorPrimary"
     />

2、修改主题:
因为我们要将Toolbar嵌入到布局文件中,所以我们需要不支持ActionBar的主题。
所以,在确定在styles.xml文件中使用主题Theme.AppCompat.NoActionBar。
特别推荐,要在你的主题上添加如下所示的材料设计色彩项,这将很容易地实现对Toolbar和状态栏的着色(只有API 21+的设备上才会对状态栏进行着色):
<!-- Base application theme. -->
<span style="white-space:pre">	</span><style name="AppTheme" parent="Theme.AppCompat.NoActionBar">
    <!-- colorPrimary is used for coloring the Toolbar -->
   <span style="white-space:pre">	</span> <item name="colorPrimary">#3F51B5</item>
    <!-- colorPrimaryDark is used for coloring the status bar -->
    <span style="white-space:pre">	</span> <item name="colorPrimaryDark">#303F9F</item>
   <!-- colorAccent is used as the default value for colorControlActivated which is used to tint widgets -->
   <span style="white-space:pre">	</span> <item name="colorAccent">#FFAB40</item>
</style>

3,将AppCompatDelegate添加到Activity里面
AppCompatDelegate是一个委托代表,它将AppCompatActivity的特性提供给Activity,而且只能通过create()方法创建,此时它需要两个参数,Activity和AppCompatCallback。
所以,首先,我们将Activity实现AppCompatCallback接口,在本例中,可以不必具体实现要覆盖的方法。
<pre name="code" class="java"> public class MainActivity extends Activity implements AppCompatCallback {
     @Override
     public void onSupportActionModeStarted(ActionMode mode) {
       //let's leave this empty, for now
     }
     @Override
     public void onSupportActionModeFinished(ActionMode mode) {   
       // let's leave this empty, for now
     }
 }

然后,在Activity的onCreate()方法中,
通过AppCompatDelegate.create()方法创建AppCompatDelegate;
调用AppCompatDelegate.create();(有些Activity的生命周期方法应用由该AppCompatDelegate代理)
通过AppCompatDelegate.setContentView()方法填充布局文件;
通过AppCompatDelegate.setSupportActionbar()将Toolbar添加给AppCompatDelegate。
private AppCompatDelegate delegate;
  @Override
  protected void onCreate(Bundle savedInstanceState) {
     super.onCreate(savedInstanceState);
     <span style="white-space:pre">		</span>//let's create the delegate, passing the activity at both arguments (Activity, AppCompatCallback)
     delegate = AppCompatDelegate.create(this, this);
    <span style="white-space:pre">		</span> //we need to call the onCreate() of the AppCompatDelegate
     delegate.onCreate(savedInstanceState);
    <span style="white-space:pre">		</span> //we use the delegate to inflate the layout
     delegate.setContentView(R.layout.activity_main);
    <span style="white-space:pre">		</span> //Finally, let's add the Toolbar
     Toolbar toolbar= (Toolbar) findViewById(R.id.my_awesome_toolbar);
     delegate.setSupportActionBar(toolbar);
}


一个Activity只能链接到一个AppCompatDelegate实例,因此通过create()方法返回的实例应该保存在Activity里面直到该Activity被销毁。
自己有很长一段时间受这个问题干扰,而且并没有找到合适的解决的方案,希望可以帮到读者。
运行你的应用,然后Activity将拥有一个Toolbar,而且看起来和AppCompatActivity并没区别!



                
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,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