iOS 7应用开发公开课笔记 L12:Documents and Core Data

L12 Documents and Core Data
一、面向对象与数据库的桥梁 Core Data。
1.how does it work
·创建一个可视映射(实体(一条记录的表?)、属性、关系)。
·
2.NSManagedObject ,数据库中所有对象的超类。
3.NSManagedObjectContext ,代码与数据库的衔接,操作数据库。(在数据库中创建对象、设置属性)。
· 建议用法:创建UIManagedDocument ,访问其属性managedObjectContext。(UIManagedDocument类中对NSManagedObjectContext做了很好的处理。)
4.UIManagedDocument, Core Data database的容器,管理Core Data database的存储(打开关闭保存)。自动保存、自动关闭。
[[UIManagedDocument alloc]initWithFileURL:(可通过NSFileManager获得用户文件目录。)]
·需判断文件是否已在文件系统中(如图)fileExistsAtPath。open or create
· 检查 documentState
UIDocumentStateNormal\UIDocumentStateClosed\ UIDocumentStateSavingError\ UIDocumentStateEditingDisable\ UIDocumentStateInConflict
5. 可通过监听NSManagedObjectContext 知道文件(数据库)的变化,并获取变更信息(增删改) :NSManagedObjectContextDidSaveNotification
合并更改:
-(void)mergeChangesFromContextDidSaveNotification:(NSNotification*) notification
6.操作数据库(操作一张表时,相关联的表会自动更新):
· 插入对象(记录)
[NSEntityDescription insertNewObjectsForEntityForName:inMangeObjectContext:]

设置属性和属性值:
使用协议NSKeyValueCode(由NSDictionary实现)的方法:
-(id)valueForKey;或-(id)valueForKeyPath:;
-(id)setValue:forKey:;
或(id)setValue:forKeyPath:;
· 删除对象(记录)
[aDocument.managedObjectContext deleteObject:aObj];
aObj=nil;
NSManagedObject的子类中的Categories中,可以放一个so cool的方法:

·查询NSFetchRequest
[NSFetchRequest fetchRequestWithEntityName:]
.fetchBatchSize...
① 要取回的实体(类型当然相同)
② fetchBatchSize,数量默认all
③ NSSortDescriptor 排序描述器,返回的数组根据某一属性某种方式排序
④ NSPreDicate 谓语(类似 于SQL语句)
[NSPredicate predicateWithFormat:@"aProperty contain %@",aName];
谓语比如: contains contains[c](忽略大小写) > < =
符合谓语:NSCompoundPredicate AND OR
e.g.@(name=%@) OR (title=%@)
或,NSArray *array=@[p1,p2];
NSPredicate*predicate= [NSCompoundPredicate andPredicateWithSubpredicate:array];

·键值编码 @count @avg...
@"photos.@count>5"

NSArray *array =[context executeFetchRequest:request error:&error];
-(void)prepareForDeletion{}
7.不建议直接在NSManagedObject的子类中添加方法,可使用Categories,添加方法到一个类而不创建其子类。不能有实例变量。。。
@interface toClass(要添加方法的类名) (Categories (此Categories名))
methods
property
@end
实现 @implementation ....
@end
8.线程安全
建议使用[context performBlock:^{}]

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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