Android Monkey(一)

这两天在读Android Monkey的源代码.代码不多,放出分享.
我现说一下,Monkey是干什么的:简单的说就是,模拟用户的touch screen和keyboard的输入.其实这个功能就已经很恐怖了.  Google自己说的下面:
// Only bind this to local host.  This means that you can only
// talk to the monkey locally, or though adb port forwarding.
就是觊觎这个强大的力量.Monkey是用JAVA写成的,但是我们确可以这样运行:
$adb shell monkey ......
这是为什么呢?是因为在 /system/bin目录下有一个monkey的shell脚本.内容如下:
# Script to start "monkey" on the device, which has a very rudimentary
# shell.
#
base=/system
export CLASSPATH=$base/framework/monkey.jar
exec app_process $base/bin com.android.commands.monkey.Monkey $*

exec 会运行起/system/framework/monkey.jar这只Java程序.后面我们还会用到这个脚本.

先给出Monkey的架构图:
Android Monkey(一) - 一切的阅读都是误读 - Allen小笔记

又是我的手绘图.哈哈.实际上,并不复杂.
Monkey.java 里面有main()函数.而main()->Run().Run()里面作了下面的操作:
1.processOptions()初始化参数(通过传入入参来初始化参数).还有一些的操作函数如:nextOption() nextOptionLong()。。
2.做接口的检查,也就是申请这些接口资源.
3.关键的一步:
  if(mServerPort!=1)
   { try{
           mEventSource = new MonkeySourceNetWork(mServerPort);
    ...省略
  开始ServerSocket.监听用户输入的command.
4.mNetworkMonitor.Start();开始监控网络状态
5.关键的一步:
  runMonkeyCycles(),代码如下:
  while()
  {  
     MonkeyEvent ev = mEventSource.getNextEvent();
     ev.inject(....);
   ...省略
   开始Event loop,把每个CommandQueue中的消息都执行.
6.mNetworkMonitor.Stop()
这里我们看到使用了SocketServer,所以理论上来说,可以在PC端发送command给device,但是必须透过USB的连接.这点我在上面已经说的很清楚了.(PC端,Android不可能帮你实现,我们只要在PC端使用Socket向device发送命令就可以了).
好了,我们接着往下分析:
MonkeyEvent的实现是典型的OO思想.
MonkeyEvent.java仅仅是一个abstract class.
最重要的方法都由子类去实现.(把Event放入当前的Activity去运行)
public abstract int injectEvent(IWindowManager iwm, IActivityManager iam, int verbose);
monkey*Event.java都是MonkeyEvent.java的子类.
这次先写这么多了...

Update!

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 2
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