Android 开之图片详解(1)

在Android应用里面,用到最多的可能就是图片的显示了,而很多OOM的产生也是因为图片占用过多内存导致的,之前一直对这些概念很模糊,自己也在开发中不断的学习以及实验,在网上也查过很多资料,答案也是五花八门,现在本着记录的想法,做了一个整理。

首先:说下像素(PX),Android开发相对单位(dp),频幕密度(dpi,在打印机上也叫ppi,其实是一样的概念),以及物理宽高(英寸)的关系。

比如一个对角线长度为4.67英寸的Android手机频幕,如果分辨率为720px*1280px,那么它的频幕密度则是320dpi;
这是什么意思呢?
4.67英寸当然就是手机频幕的物理大小。
720px指的是这个手机频幕宽度(水平方向上有720个像素点),
1280px指的则是这个手机频幕高度(垂直方向上有1280个像素点)。
而1280px*720px的分辨率则是指的 在4.67英寸的面积频幕上,总共可以容纳1280*720个像素点。
一副图画 都是由像素点构成的,可以想象成手机频幕上的一个个密密麻麻的小点。
那么,320dpi,频幕密度,指的就是对角线的每单位长度,即每英寸的像素点数为320;
(dpi=长宽的平方和/对角线长度)

最后是我们Android开发上经常用到的dp,这其实谷歌为了方便我们开发,特意给我们设置一个相对单位。
计算公式如下: dp = (DPI/160)px
也就是说,在160dpi的手机上,1dp=1px;
240dpi的手机上,1dp=1.5px;
320dpi的手机上,1dp=2px;
480dpi的手机上,1dp=3px;
……(现在Android手机最高的就是480dpi,比较主流的都是320dpi左右的,这也是为什么UI一般都在1280*720上做设计图的而我们用dp的时候,都会除以2的原因)

那么,与我们drawable文件件下对应的关系是什么呢?

drawable-mdpi 160dpi
drawable-hdpi 240dpi
drawable-xhdpi 320dpi
drawable-xxhdpi 480dpi
drawable-xxxhdpi 640dpi

也就是说,app在手机上运行时,系统会根据当前手机的dpi去最接近的文件夹下寻找对应的图片。

下一篇将说下Android图片加载与内存的对应关系。

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 4
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