上传头像

整体结构如下: 

这里写图片描述

创建工具类ImageUtils.java

public class ImageUtils { public final static int ACTIVITY_RESULT_CAMERA = 0001;//选择 拍照 的返回码 public final static int ACTIVITY_RESULT_ALBUM = 0002;//选择 相册 的返回码 public Uri photoUri;// 图片路径的URI private Uri tempUri; public File picFile;// 图片文件 private Context context; // 构造方法 public ImageUtils(Context context) { super(); this.context = context; } // 选择拍照的方式 public void byCamera() { try { // 创建文件夹 File uploadFileDir = new File( Environment.getExternalStorageDirectory(), "/icon"); if (!uploadFileDir.exists()) { uploadFileDir.mkdirs(); } // 创建图片,以当前系统时间命名 picFile = new File(uploadFileDir, SystemClock.currentThreadTimeMillis() + ".png"); if (!picFile.exists()) { picFile.createNewFile(); } // 获取到图片路径 tempUri = Uri.fromFile(picFile); // 启动Camera的Intent,传入图片路径作为存储路径 Intent cameraIntent = new Intent(MediaStore.ACTION_IMAGE_CAPTURE); cameraIntent.putExtra(MediaStore.EXTRA_OUTPUT, tempUri); //启动Intent ((MainActivity) context).startActivityForResult(cameraIntent, ACTIVITY_RESULT_CAMERA); System.out.println("-->tempUri : " + tempUri.toString() + "-->path:" + tempUri.getPath()); } catch (ActivityNotFoundException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } } // 选择相册的方式 public void byAlbum() { try { // 创建文件夹 File pictureFileDir = new File( Environment.getExternalStorageDirectory(), "/icon"); if (!pictureFileDir.exists()) { pictureFileDir.mkdirs(); } // 创建图片,以当前系统时间命名 picFile = new File(pictureFileDir, SystemClock.currentThreadTimeMillis() + ".png"); if (!picFile.exists()) { picFile.createNewFile(); } // 获取到图片路径 tempUri = Uri.fromFile(picFile); // 获得剪辑图片的Intent final Intent intent = cutImageByAlbumIntent(); ((MainActivity) context).startActivityForResult(intent, ACTIVITY_RESULT_ALBUM); } catch (Exception e) { e.printStackTrace(); } } // 调用图片剪辑程序的Intent private Intent cutImageByAlbumIntent() { Intent intent = new Intent(Intent.ACTION_GET_CONTENT, null); intent.setType("image/*"); intent.putExtra("crop", "true"); //设定宽高比 intent.putExtra("aspectX", 1); intent.putExtra("aspectY", 1); //设定剪裁图片宽高 intent.putExtra("outputX", 200); intent.putExtra("outputY", 200); intent.putExtra("noFaceDetection", true); intent.putExtra("scale", true); intent.putExtra("return-data", false); intent.putExtra(MediaStore.EXTRA_OUTPUT, tempUri); intent.putExtra("outputFormat", Bitmap.CompressFormat.JPEG.toString()); return intent; } //通过相机拍照后进行剪辑 public void cutImageByCamera() { Intent intent = new Intent("com.android.camera.action.CROP"); intent.setDataAndType(tempUri, "image/*"); intent.putExtra("crop", "true"); intent.putExtra("aspectX", 1); intent.putExtra("aspectY", 1); intent.putExtra("outputX", 100); intent.putExtra("outputY", 100); intent.putExtra("scale", true); intent.putExtra(MediaStore.EXTRA_OUTPUT, tempUri); intent.putExtra("return-data", false); intent.putExtra("outputFormat", Bitmap.CompressFormat.JPEG.toString()); intent.putExtra("noFaceDetection", true); ((MainActivity) context).startActivityForResult(intent, ACTIVITY_RESULT_ALBUM); } // 对图片进行编码成Bitmap public Bitmap decodeBitmap() { Bitmap bitmap = null; try { if (tempUri != null) { photoUri = tempUri; bitmap = BitmapFactory.decodeStream(context .getContentResolver().openInputStream(photoUri)); } } catch (FileNotFoundException e) { e.printStackTrace(); return null; } return bitmap; } }

主类MainActivity.java

public class MainActivity extends Activity { private ImageView icon = null; private ImageUtils imageUtils = null; @Override protected void onCreate(Bundle savedInstanceState) { super.onCreate(savedInstanceState); setContentView(R.layout.activity_main); iv_icon = (ImageView) findViewById(R.id.iv_icon); // 初始化工具类的实例 imageUtils = new ImageUtils(this); iv_icon.setOnClickListener(new OnClickListener() { @Override public void onClick(View v) { chooseDialog(); } }); } private void chooseDialog() { new AlertDialog.Builder(this)// .setTitle("选择头像")// .setNegativeButton("相册", new DialogInterface.OnClickListener() { @Override public void onClick(DialogInterface dialog, int which) { dialog.dismiss(); imageUtils.byAlbum(); } }) .setPositiveButton("拍照", new DialogInterface.OnClickListener() { @Override public void onClick(DialogInterface dialog, int which) { dialog.dismiss(); String status = Environment.getExternalStorageState(); if (status.equals(Environment.MEDIA_MOUNTED)) {// 判断是否存在SD卡 imageUtils.byCamera(); } } }).show(); } // 这里需要注意resultCode,正常情况返回值为 -1 没有任何操作直接后退则返回 0 @Override protected void onActivityResult(int requestCode, int resultCode, Intent data) { System.out.println("-->requestCode:" + requestCode + "-->resultCode:" + resultCode); switch (requestCode) { case ImageUtils.ACTIVITY_RESULT_CAMERA: // 拍照 try { if (resultCode == -1) { imageUtils.cutImageByCamera(); } else { // 因为在无任何操作返回时,系统依然会创建一个文件,这里就是删除那个产生的文件 if (imageUtils.picFile != null) { imageUtils.picFile.delete(); } } } catch (Exception e) { e.printStackTrace(); } break; case ImageUtils.ACTIVITY_RESULT_ALBUM: try { if (resultCode == -1) { Bitmap bm_icon = imageUtils.decodeBitmap(); if (bm_icon != null) { iv_icon.setImageBitmap(bm_icon); } } else { // 因为在无任何操作返回时,系统依然会创建一个文件,这里就是删除那个产生的文件 if (imageUtils.picFile != null) { imageUtils.picFile.delete(); } } } catch (Exception e) { e.printStackTrace(); } break; } } }


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 1
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