非wifi用户选在图片加载模式

public class MainActivity extends AppCompatActivity {
    ConnectivityBroadcastReceiver mConnectivityBroadcastReceiver;
    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);
        //注册
        IntentFilter filter = new IntentFilter();
        filter.addAction(ConnectivityManager.CONNECTIVITY_ACTION);
        mConnectivityBroadcastReceiver = new ConnectivityBroadcastReceiver();
        registerReceiver(mConnectivityBroadcastReceiver, filter);
    }
    //测试一下
    public void onTestBaseUrl(View view){
        Toast.makeText(MainActivity.this,NetUtils.getInstance().getBASE_URL(),Toast.LENGTH_SHORT).show();
    }
    public void onClick(View view){
        String[] strings={"最佳效果", "较省流量", "极省流量"};
        int mode= Myapp.getMyapp().getSharedPreferences(NetUtils.SP_NAME,Context.MODE_PRIVATE).getInt(NetUtils.PICTURE_LOAD_MODE_KEY,0);
        AlertDialog.Builder builder=new AlertDialog.Builder(this);
        builder.setTitle("wife网络流量");
        builder.setSingleChoiceItems(strings, mode, new DialogInterface.OnClickListener() {
            @Override
            public void onClick(DialogInterface dialog, int which) {
                 TODO: 2017/8/10  要保存我们的图片加载模式
                Myapp.getMyapp().getSharedPreferences(NetUtils.SP_NAME,Context.MODE_PRIVATE).edit().putInt(NetUtils.PICTURE_LOAD_MODE_KEY,which).commit();
                dialog.dismiss();
            }
        });
        builder.setNegativeButton("取消",null);
        builder.create().show();
    }
     * 接受网络状态的改变
    public class ConnectivityBroadcastReceiver extends BroadcastReceiver {
        @Override
        public void onReceive(Context context, Intent intent) {
            if (ConnectivityManager.CONNECTIVITY_ACTION.equals(intent.getAction())) {

                boolean isMobileConnectivity = true;
                //如果能走到这,说明网络已经发生变化
                ConnectivityManager manager = (ConnectivityManager) getSystemService(Context.CONNECTIVITY_SERVICE);
                NetworkInfo activeNetworkInfo = manager.getActiveNetworkInfo();
                if (activeNetworkInfo != null && activeNetworkInfo.isConnected()) {
                    if (ConnectivityManager.TYPE_WIFI == activeNetworkInfo.getType()) {
                        Toast.makeText(MainActivity.this, "wifi可用,下载吧", Toast.LENGTH_SHORT).show();
                        isMobileConnectivity = false;
                    } else if (ConnectivityManager.TYPE_MOBILE == activeNetworkInfo.getType()) {
                        Toast.makeText(MainActivity.this, "现在是移动网络,当心", Toast.LENGTH_SHORT).show();
                        isMobileConnectivity = true;
                        //获得现在的网络状态 是移动网络,去改变我们的访问接口
                    } else {
                        Toast.makeText(MainActivity.this, "网络不可用,请检查网络", Toast.LENGTH_SHORT).show();
                    }
                } else {
                    Toast.makeText(MainActivity.this, "网络不可用,请检查网络", Toast.LENGTH_SHORT).show();
                }
                 TODO: 2017/8/10 改变一下网络状态
                NetUtils.getInstance().changeNetState(isMobileConnectivity);
            }
        }
    }
    @Override
    protected void onDestroy() {
        super.onDestroy();
        //解注册
        unregisterReceiver(mConnectivityBroadcastReceiver);
    }
}
Application类:
public class Myapp extends Application {
    private static Myapp myapp;
    @Override
    public void onCreate() {
        super.onCreate();
        myapp=this;
    }
    public static Context getMyapp(){
        return myapp;
    }
}
NetUtils类:
public class NetUtils {
    private static NetUtils netutils;
    public static final String SP_NAME = "SP_NAME";
    public static final String PICTURE_LOAD_MODE_KEY = "PICTURE_LOAD_MODE_KEY";
    private static final String BASE_URL_BIG_PICTURE = "http://www.big.picture";
    private static final String BASE_URL_SMALL_PICTURE = "http://www.small.picture";
    private static final String BASE_URL_NO_PICTURE = "http://www.no.picture";
    //baseurl默认使用大图的模式
    private String BASE_URL = BASE_URL_BIG_PICTURE;
    private boolean isMobileConnectivity = true;
    public  NetUtils(){
    }
    //单例模式
    public static NetUtils getInstance(){
        if (netutils==null){
            synchronized (NetUtils.class){
              if (netutils==null){
                  netutils=new NetUtils();
              }
            }
        }
        return netutils;
    }
     * 使用get post请求的时候,调用这个方法获取我们的baseUrl,直接去请求就可以
    public String getBASE_URL(){
        // TODO: 2017/8/10  根据网络状态和用户选择,选择对应的baseurl
       if (isMobileConnectivity){
            TODO: 2017/8/10  根据用户选择 返回对应的url
           int mode= Myapp.getMyapp().getSharedPreferences(SP_NAME, Context.MODE_PRIVATE).getInt(PICTURE_LOAD_MODE_KEY,0);
           switch (mode){
               case 0:
                   BASE_URL=BASE_URL_BIG_PICTURE;
                   break;
               case 1:
                   BASE_URL=BASE_URL_SMALL_PICTURE;
                   break;
               case 2:
                   BASE_URL=BASE_URL_NO_PICTURE;
                   break;
           }
       }else {
           BASE_URL=BASE_URL_BIG_PICTURE;
       }
       return BASE_URL;
    }
    //更改我们当前的网络状态
    public void changeNetState(boolean isMobileConnectivity ){
        this.isMobileConnectivity=isMobileConnectivity;
    }
}
<!--上网权限 和 获取网络状态的权限-->
<uses-permission android:name="android.permission.INTERNET" />
<uses-permission android:name="android.permission.ACCESS_NETWORK_STATE" />
 
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