Android实现拖拽GridView到目标View

package cn.com.weather.serviceDemo.view;

import cn.com.weather.serviceDemo.interfaces.OnDropListener;
import cn.com.weather.serviceDemo.util.DeviceUtil;
import android.content.Context;
import android.graphics.Bitmap;
import android.graphics.Matrix;
import android.graphics.PixelFormat;
import android.util.AttributeSet;
import android.view.Gravity;
import android.view.MotionEvent;
import android.view.View;
import android.view.ViewGroup;
import android.view.WindowManager;
import android.widget.AdapterView;
import android.widget.GridView;
import android.widget.ImageView;

public class MyGridView extends GridView{
	
	private ImageView dragImageView;
	private WindowManager windowManager;
	private WindowManager.LayoutParams windowParams;
	
	private int dragSrcPosition;//开始拖拽项
	private int dragPosition;
	
	//移动的位置
    private int dragPointX;
    private int dragPointY;
    //当前位置距离边界的位置
    private int dragOffsetX;
    private int dragOffsetY;
    
    private View myView;//目标view
    private int dropPosition = -1;//选中项
    
    private OnDropListener onDropListener;

	public MyGridView(Context context, AttributeSet attrs) {
		super(context, attrs);
	}
	
	public void setView(View view){
		myView = view;
	}
	
	public void setOnDropListener(OnDropListener onDropListener){
		this.onDropListener = onDropListener;
	}
	
	private boolean setOnItemLongClickListener(final MotionEvent ev){
		this.setOnItemLongClickListener(new OnItemLongClickListener() {

			@Override
			public boolean onItemLongClick(AdapterView<?> parent, View view,
					int position, long id) {
				final int x = (int)ev.getX();//触摸点相对于GridView的坐标 
				final int y = (int)ev.getY();
				
				dragSrcPosition = dragPosition = position;
				
				if(dragPosition == AdapterView.INVALID_POSITION ){
					return false;
				}
				
				final ViewGroup item = (ViewGroup)getChildAt(dragPosition - getFirstVisiblePosition());
				
				dragPointX = x - item.getLeft();
				dragPointY = y - item.getTop();
				dragOffsetX = (int)ev.getRawX() - x;
				dragOffsetY = (int)ev.getRawY() - y;
				
				item.destroyDrawingCache();//清除cache
				item.setDrawingCacheEnabled(true);
				Bitmap bitmap = Bitmap.createBitmap(item.getDrawingCache());
				startDrag(getScaleBitmap(bitmap), x, y);
				DeviceUtil.Vibrate(getContext(), 100);
				return false;
			}
		});
		
		return super.onInterceptTouchEvent(ev);
	}

	@Override
	public boolean onInterceptTouchEvent(MotionEvent ev) {
		if(ev.getAction() == MotionEvent.ACTION_DOWN){
			return setOnItemLongClickListener(ev);
		}
		return super.onInterceptTouchEvent(ev);
	}
	
	@Override
	public boolean onTouchEvent(MotionEvent ev) {
		if(dragImageView != null && dragPosition != AdapterView.INVALID_POSITION){
			int x = (int)ev.getX();
			int y = (int)ev.getY();
			switch (ev.getAction()) {
			case MotionEvent.ACTION_UP:
				stopDrag();
				onDrop((int)ev.getRawX(), (int)ev.getRawY());
				break;

			case MotionEvent.ACTION_MOVE:
				onDrag(x, y);
				break;
			}
			
			
		}
		return super.onTouchEvent(ev);
	}

	private void startDrag(Bitmap bm, int x, int y){
		stopDrag();
		
		windowParams = new WindowManager.LayoutParams();
		windowParams.gravity = Gravity.TOP|Gravity.LEFT;
		//左上角相对于屏幕的坐标
		windowParams.x = x - dragPointX + dragOffsetX;
		windowParams.y = y - dragPointY + dragOffsetY;
		
		windowParams.height = WindowManager.LayoutParams.WRAP_CONTENT;
		windowParams.width = WindowManager.LayoutParams.WRAP_CONTENT;
		windowParams.flags = WindowManager.LayoutParams.FLAG_NOT_FOCUSABLE
								| WindowManager.LayoutParams.FLAG_NOT_TOUCHABLE
								| WindowManager.LayoutParams.FLAG_KEEP_SCREEN_ON
								| WindowManager.LayoutParams.FLAG_LAYOUT_IN_SCREEN;
		windowParams.format = PixelFormat.TRANSLUCENT;
		windowParams.windowAnimations = 0;
		
		ImageView imageView = new ImageView(this.getContext());
		imageView.setImageBitmap(bm);
		
		windowManager = (WindowManager)this.getContext().getSystemService(Context.WINDOW_SERVICE);
		windowManager.addView(imageView, windowParams);
		dragImageView = imageView;
	}
	
	private void stopDrag(){
		if (dragImageView != null) {
			windowManager.removeView(dragImageView);
			dragImageView = null;
		}
	}
	
	private void onDrag(int x, int y){
		if(dragImageView != null){
			windowParams.alpha = 0.8f;
			windowParams.x = x - dragPointX + dragOffsetX;
			windowParams.y = y - dragPointY + dragOffsetY;
			windowManager.updateViewLayout(dragImageView, windowParams);
		}
		
	}
	
	private void onDrop(int x, int y){
		boolean inView = isInView(x, y, myView);
		if(inView){
			if(onDropListener!=null){
				onDropListener.onDrop(dragSrcPosition);
			}
		}
	}
	
	private Bitmap getScaleBitmap(Bitmap bitmap){
		Matrix matrix = new Matrix();
		matrix.postScale(1.1f, 1.1f);
		return Bitmap.createBitmap(bitmap, 0, 0, bitmap.getWidth(), bitmap.getHeight(), matrix, true);
	}
	
	private boolean isInView(int x, int y, View view){
		if(view == null) return false;
		
		int[] location = new int[2];
		view.getLocationInWindow(location);
		int _x = location[0];
		int _y = location[1];
		int width = view.getWidth();
		int height = view.getHeight();
		
		if(_x <x && x <_x+width && _y<y && y<_y+height){
			return true;
		}
		return false;
	}
	
	

}

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 3
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