work_weipa_如何在开启了两个相同的activity的情况下退出程序

问题:如何在开启了两个相同的activity的情况下退出程序?

回答:在弹出对话框的点击事件中,添几句代码即可

例子:

@Override
	public boolean onKeyDown(int keyCode, KeyEvent event) {
		// TODO Auto-generated method stub
		int siz = this.getSupportFragmentManager().getBackStackEntryCount();

		if (keyCode == KeyEvent.KEYCODE_BACK
				&& event.getAction() == KeyEvent.ACTION_DOWN && siz == 0) {
			new AlertDialog.Builder(this).setTitle("提示")
					.setIcon(R.drawable.icon).setMessage("确定退出微啪吗?")
					.setPositiveButton("是", new AlertDialog.OnClickListener() {
						@Override
						public void onClick(DialogInterface dialog, int which) {
							// TODO Auto-generated method stub
							// 完全退出程序
							Intent startMain = new Intent(Intent.ACTION_MAIN);
							startMain.addCategory(Intent.CATEGORY_HOME);
							startMain.setFlags(Intent.FLAG_ACTIVITY_NEW_TASK);
							startActivity(startMain);
							System.exit(0);
						}
					}).setNegativeButton("否", null).show();
			return true;
		}
		return super.onKeyDown(keyCode, event);
	}

以上那个方法可以实现退出程序,但是重新进入的时候还是无法真正进入首页,我们可以采用以下方法实现:

MyApplication.java

/**
 * 储存每一个Activity,并实现关闭所有Activity的操作
 *
 */
public class MyApplication extends Application {
	// 对于新增和删除操作add和remove,LinedList比较占优势,因为ArrayList实现了基于动态数组的数据结构,要移动数据。LinkedList基于链表的数据结构,便于增加删除
	private List<Activity> activityList = new LinkedList<Activity>();
	private static MyApplication instance;

	private MyApplication() {
	}

	// 单例模式中获取唯一的MyApplication实例
	public static MyApplication getInstance() {
		if (null == instance) {
			instance = new MyApplication();
		}
		return instance;
	}

	// 添加Activity到容器中
	public void addActivity(Activity activity) {
		activityList.add(activity);
	}

	// 遍历所有Activity并finish
	public void exit() {
		for (Activity activity : activityList) {
			activity.finish();
		}
		System.exit(0);
	}
}
在每一个Activity中的onCreate方法里添加该ActivityMyApplication对象实例容器中

MyApplication.getInstance().addActivity(this);
在需要结束所有Activity的时候调用exit方法

MyApplication.getInstance().exit();	


public final void M() { List split$default; com.niming.weipa.c.a.a(this.activity, getUserInfo2().getAvatar(), (ImageView) _$_findCachedViewById(R.id.iv_user_avatar)); TextView tv_user_name = (TextView) _$_findCachedViewById(R.id.tv_user_name); Intrinsics.checkExpressionValueIsNotNull(tv_user_name, "tv_user_name"); tv_user_name.setText(getUserInfo2().getNick()); if (getUserInfo2().getRank_type() == 0) { ImageView ivVipLevel = (ImageView) _$_findCachedViewById(R.id.ivVipLevel); Intrinsics.checkExpressionValueIsNotNull(ivVipLevel, "ivVipLevel"); ivVipLevel.setVisibility(8); } else { ((ImageView) _$_findCachedViewById(R.id.ivVipLevel)).setImageResource(com.niming.weipa.utils.j.a(getUserInfo2().getRank_type())); } if (Intrinsics.areEqual(getUserInfo2().getIs_vip(), "y")) { String vip_expired = getUserInfo2().getVip_expired(); Intrinsics.checkExpressionValueIsNotNull(vip_expired, "userInfo2.vip_expired"); split$default = StringsKt__StringsKt.split$default((CharSequence) vip_expired, new String[]{ConstantUtils.PLACEHOLDER_STR_ONE}, false, 0, 6, (Object) null); TextView tv_user_sub_title = (TextView) _$_findCachedViewById(R.id.tv_user_sub_title); Intrinsics.checkExpressionValueIsNotNull(tv_user_sub_title, "tv_user_sub_title"); tv_user_sub_title.setText("已开通" + getUserInfo2().getRank_type_str() + ' ' + ((String) split$default.get(0)) + "到期"); return; } TextView tv_user_sub_title2 = (TextView) _$_findCachedViewById(R.id.tv_user_sub_title); Intrinsics.checkExpressionValueIsNotNull(tv_user_sub_title2, "tv_user_sub_title"); tv_user_sub_title2.setText("您当前未开通抖阴VIP"); 上面这段代码干了什么,哪里是关键判断点。
06-09
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