ViewTreeObserver以及对view组件布局和绘制过程drawable的理解

我们知道在oncreate中View.getWidth和View.getHeight无法获得一个view的高度和宽度,这是因为View组件布局要在onResume回调后完成。所以现在需要使用getViewTreeObserver().addOnGlobalLayoutListener()来获得宽度或者高度。这是获得一个view的宽度和高度的方法之一。

OnGlobalLayoutListener 是ViewTreeObserver的内部类,当一个视图树的布局发生改变时,可以被ViewTreeObserver监听到,这是一个注册监听视图树的观察者(observer),在视图树的全局事件改变时得到通知。ViewTreeObserver不能直接实例化,而是通过getViewTreeObserver()获得。

除了OnGlobalLayoutListener ,ViewTreeObserver还有如下内部类:

interface  ViewTreeObserver.OnGlobalFocusChangeListe ner
当在一个视图树中的焦点状态发生改变时,所要调用的回调函数的接口类
interface  ViewTreeObserver.OnGlobalLayoutListener
当在一个视图树中全局布局发生改变或者视图树中的某个视图的可视状态发生改变时,所要调用的回调函数的接口类
interface  ViewTreeObserver.OnPreDrawListener
当一个视图树将要绘制时,所要调用的回调函数的接口类
interface  ViewTreeObserver.OnScrollChangedListener
当一个视图树中的一些组件发生滚动时,所要调用的回调函数的接口类
interface  ViewTreeObserver.OnTouchModeChangeListene r
当一个视图树的触摸模式发生改变时,所要调用的回调函数的接口类

其中,我们可以利用OnGlobalLayoutListener来获得一个视图的真实高度

有时候需要在onCreate方法中知道某个View组件的宽度和高度等信息,而直接调用View组件的getWidth()、
getHeight()、getMeasuredWidth()、getMeasuredHeight()、getTop()、getLeft()等方法是无法获取到真实值的,
只会得到0。这是因为View组件布局要在onResume回调后完成。下面提供实现方法,onGlobalLayout回调会在view布局完成时自动调用:
  • mGridView.getViewTreeObserver().addOnGlobalLayoutListener( //view 布局完成时调用,每次view改变时都会调用  
  •         new ViewTreeObserver.OnGlobalLayoutListener() {  
  •             @Override  
  •             public void onGlobalLayout() {  
  •                
      •                            
      •                 mHeaderViewHeight = mHeaderView.getHeight();  
      •                 getViewTreeObserver()  
      •                         .removeGlobalOnLayoutListener(this);

  •                     }  
  •                 }  
  •             }  
  •         }); 
  • 对View组件布局和绘制过程, 以及Drawable绘制的理解




  • Android的view组件显示主要经过mesure, layout和draw这三个过程。在mesure阶段里调用mesure

  • (int widthSpec, int heightSpec)方法,这个方法是final不能被重写,在这个过程里会调用onMe
  • sure(int widthSpec, int heightSpec)方法。当组件设置好大小后,调用final layout(int l
  • , int t, int r, int b)方法进行布局,在这个过程里会调用onLayout(boolean changed, int
  • l, int t, int r, int b)方法,所以处理组件的布局通常要重写onMesure和onLayout这两个方法。

        View组件的绘制会调用draw(Canvas canvas)方法,这个方法在源代码里看不到在哪里调用...dra

  • w过程中主要是先画Drawable背景,对drawable调用setBounds()然后是draw(Canvas c)方法.

  • 有点注意的是背景drawable的实际大小会影响view组件的大小,drawable的实际大小通过

  • getIntrinsicWidth()和getIntrinsicHeight()获取,当背景比较大时view组件大小等于背景

  • drawable的大小,不过俺没有在源代码里找到布局时调用过 getIntrinsicWidth()和

  • getIntrinsicHeight()方法...

        画完背景后,draw过程会调用onDraw(Canvas canvas)方法,然后就是

  • dispatchDraw(Canvas canvas)方法, dispatchDraw()主要是分发给子组件进行绘制,

  • 我们通常定制组件的时候重写的是onDraw()方法。值得注意的是ViewGroup容器组件的绘制,

  • 当它没有背景时直接调用的是dispatchDraw()方法, 而绕过了draw()方法,

  • 当它有背景的时候就调用draw()方法,而draw()方法里包含了dispatchDraw()方法的调用。

  • 因此要在ViewGroup上绘制东西的时候往往重写的是dispatchDraw()方法而不是onDraw()方法,

  • 或者自定制一个Drawable,重写它的draw(Canvas c)和 getIntrinsicWidth(),

    getIntrinsicHeight()方法,然后设为背景。




  •  

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