AsyncTask异步交互机制Demo

创建新的项目,建项目完成之后,首先在AndroidMainFest.xml中配置网络访问权限——

接下来,是布局,我们提供一个简单的示范

<LinearLayout xmlns:android="http://schemas.android.com/apk/res/android"
    xmlns:tools="http://schemas.android.com/tools"
    android:layout_width="match_parent"
    android:layout_height="match_parent"
android:orientation="vertical" >

   <ImageView 
       android:id="@+id/iv"
       android:layout_width="wrap_content"
       android:layout_height="0dp"
       android:layout_weight="1"
       />
   <ProgressBar 
       android:visibility="invisible"
       android:id="@+id/pb"
       android:layout_width="wrap_content"
       android:layout_height="wrap_content"
       android:layout_marginTop="10dp"
       />
   <Button 
       android:layout_width="wrap_content"
       android:layout_height="wrap_content"
       android:layout_marginTop="10dp"
       android:onClick="click"
       android:text="点我展示图片"
       />
</LinearLayout>

然后,就是最重要的代码块了,这里是整篇文章的重点了

public class MainActivity extends Activity {

    //这里我们定义需要用到的网址,我这里使用的是本地的tomcat服务器,访问本地的图片
    String path = "http://10.0.2.2:8080/ph02.jpg";
    private ImageView iv;
    private ProgressBar pb;

    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);
        //这是查找布局中的控件
        iv = (ImageView) findViewById(R.id.iv);
        pb = (ProgressBar) findViewById(R.id.pb);

    }

    //我们在布局中定义了一个按钮方法
    public void click(View v) {
        /**
         * 第一个参数是传给子线程的参数 一般用来传url 第二个参数是进度的参数 //integer
         * 第二个参数是传给onpostExce()方法的参数
         */
        new AsyncTask<String, Void, Bitmap>() {

            // 一般用来做准备工作

            @Override
            protected void onPreExecute() {
                super.onPreExecute();

                pb.setVisibility(View.VISIBLE);
            }

            // 子线程,可以做访问网络的操作
            @Override
            protected Bitmap doInBackground(String... params) {
                HttpClient client = new DefaultHttpClient();
                HttpGet get = new HttpGet(params[0]);
                try {
                    HttpResponse response = client.execute(get);
                    int statusCode = response.getStatusLine().getStatusCode();
                    if (statusCode == 200) {
                        InputStream is = response.getEntity().getContent();

                        final Bitmap bitmap = BitmapFactory.decodeStream(is);
                        return bitmap;
                    }
                } catch (Exception e) {
                    e.printStackTrace();
                }
                return null;
            }

            // 运行大主线程,可以做比如说更新Ui的操作
            @Override
            protected void onPostExecute(Bitmap result) {
                super.onPostExecute(result);

                iv.setImageBitmap(result);
                pb.setVisibility(View.INVISIBLE);
            }

        }.execute(path);

    }

}
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