android中的动画

在android中动画的分类较多,有最早的桢动画、补间动画,从android3.0之后添加了属性动画,而在android5.0中又增加了VectorDrawable,使得android的动画多种多样,能够满足用户的各种需求。动画实际上就是在指定的时间段内持续的修改某个属性的值,使得该值在指定取值范围之内平滑的过度。
帧动画是一系列图片按照一定的顺序展示的过程,和放电影的机制很相似,它的原理就是在一定的时间段内切换多张有细微差异的图片从而达到动画的效果。Frame动画可以被定义在xml文件中,也可以完全编码实现。编码需要使用AnimationDrawable对象.当我们在xml中定义Frame动画时,<animation-list>作为根元素,它可以包含多个item元素,android:onshot如果定义为true的话,此动画只会执行一次,如果为false则一直循环。启动Frame动画如下;
((AnimationDrawable)mImageview.getBackground()).start();
tween动画是操作某个控件让其展现出旋转、渐变、移动、缩放的一种转换过程。xml格式如下;
<set android:interpolator="">
<alpha>
<scale>
<translate>
<ratate>
</set>
<set>是一个动画容器,管理多个动画群组,与之对应的java对象是AnimationSet。
在android3.0之后,推出了新的动画包,也就是属性动画。它实际上是一种在一定时间段内不断修改某个对象的某个属性值的机制。属性动画的核心类是ValueAnimator,它的作用就是在一定的时间段内不断的修改对象的某个属性值。ValueAnimator的内部使用一种时间循环的机制来计算值与值之间的动画过度,我们只需要将属性的取值范围、运行时长提供给它,那么它就会自动帮我们计算属性值在各个动画运行时段的取值,这些值会被按照一定的计算方式来实现平滑过度。ValueAnimator不仅功能强大,它的API也设计的非常简单,通常我们都是通过ofFloat、ofInt等静态工厂函数构建ValueAnimator。如下
ValueAnimator animator = ValueAnimator.ofFlaot(0.0f,1f);
animator.setDuration(1000);
animator.addUpdateListener(mAnimationListener);
animator.start();
ValueAnimator能运用到任意对象之上,例如通过ValueAnimator动画将某个view的透明度从0.0过渡到1.0
public void onAnimationUpdate(ValueAnimator animation){
float newValue = animaton.getAnimatedValue();
myView.setAlpha(newValue);
}
ValueAnimator功能强大、自由度高,但是这也意味着开发人员需要做更多的工作来实现动画需求,我们在开发中运用更多的应该是ObjectAnimator,因为ValueAnimator知识对值进行了一个平滑过度,但实际开发中需要做的通常是对某个对象的某个属性值进行修改,也就是对某个对象执行动画,当然使用最多的就是veiw动画,而ObjectAnimator就是可以直接对任意对象的任意属性进行动画操作的类。
举例如下;
ObjectAnimator mObjectAnimator = ObjectAnimator.ofFloat(myView, "alpha",1.0f,0.3f,0.7f);
mObjectAnimator.setDuration(1000);
mObjectAnimator.start();
ObjectAnimator非常强大,它能都操作任意对象中的任意属性,因此它突破了补间动画只运用于view的限制,使得任意对象类型都可以使用属性动画。它的原理是在初始时设置目标对象、目标属性以及要经历的属性值,然后通过内部的计算方式计算出在各个时间段该属性的值,在动画运行期间通过目标属性的setter函数更新该属性,如果该属性没有setter函数,那么将会通过反射的形式更新目标属性值。在运行周期内不断计算、更新新的属性值,从而达到对象的属性动画效果。
AnimatorSet将多个动画组合在一起执行,如下;
AnimatorSet mAnimatorSet = new AnimatorSet();
mAnimatorSet.play(anim1).with(anim2).after(anim3);
mAnimatorSet.setDuration(1000);
mAnimatorSet.start();
当然,我们可以通过palyTogether函数将3个动画一起执行。
动画的原理就是在一定时间内不断的修改某个值,那么在某个时间点这个属性的值如何确定呢?答案就是通过TypeEvaluator估值器计算得到,它的作用是根据当前动画已经执行时间占总时间的百分比来计算新的属性值。TypeEvaluator只有一个evaluate函数,该函数的职责就是计算出新的属性值。
TimeInterpolator时间插值器,它的作用是修改动画已执行时间与总时间的百分比。也就是估值器计算里面用到的fraction参数值。
Android L开始提供了新的API VectorDrawable 可以使用SVG类型的资源,也就是矢量图。在xml文件中的标签是<vector>
<vector xmlns:android="http://schemas.android.com/apk/res/android"
    <!-- intrinsic size of the drawable -->
    android:height="256dp"
    android:width="256dp"
    <!-- size of the virtual canvas -->
    android:viewportWidth="32"
    android:viewportHeight="32">


  <!-- draw a path -->
  <path android:fillColor="#8fff"
      android:pathData="M20.5,9.5
                        c-1.955,0,-3.83,1.268,-4.5,3
                        c-0.67,-1.732,-2.547,-3,-4.5,-3
                        C8.957,9.5,7,11.432,7,14
                        c0,3.53,3.793,6.257,9,11.5
                        c5.207,-5.242,9,-7.97,9,-11.5
                        C25,11.432,23.043,9.5,20.5,9.5z" />
</vector>
这样就定义好了一个静态的矢量图,可以像一般的图片资源使用,设置到imageView中会显示出一个心形。控制显示心形的就是上面path这个标签,一个path代表一个元素,绘制的内容是pathData下的一长串字符,里面是SVG绘制的一系列命令,提供moveTo、lineTo、close等操作,可以和Graphics 中的Path操作对应起来。
VectorDrawable定义的是一张静态图,还有一个类AnimatedVectorDrawable,可以让矢量图有动画效果。
由于矢量图的特点,AnimatedVectorDawable可以实现一些很特别的效果,对VectorDrawable里的pathData做动画,可以从一个图形渐变到另一个图形。
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