AsyncTask的用法小例子

/**
 * 第一个泛型:规定doInBackground方法的参数类型,规定AsyncTask.execute方法传递的参数类型
 *         第二个泛型:规定onProgressUpdate方法参数的类型,publishProgress参数类型
 *         第三个泛型:规定doInBackground方法的返回值类型
 */
public class MyAsyncTask extends AsyncTask<String, Double, String> {
TextView textView;
ProgressBar bar;
public MyAsyncTask(TextView textView, ProgressBar bar) {
this.textView=textView;
this.bar=bar;
}


@Override
// 运行在主线程,在doInBackground方法之前执行
protected void onPreExecute() {
System.out.println("准备联网");
}


@Override
// 运行在子线程,做耗时操作
// 返回值被onPostExecute接收
protected String doInBackground(String... params) {


String string = "100";


HttpClient httpClient = new DefaultHttpClient();


// 做联网请求,得到传递的参数,因为是可变长度的数组,想取第一个参数,所以去角


标为0的元素
HttpGet httpGet = new HttpGet(params[0]);


try {


HttpResponse httpResponse = httpClient.execute(httpGet);


if (httpResponse.getStatusLine().getStatusCode() == 200) {


HttpEntity httpEntity = httpResponse.getEntity();
//得到实体里的json
string = EntityUtils.toString(httpEntity);

}


} catch (ClientProtocolException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();



return string;


}


// 运行在主线程,在doInBackground方法之后执行,接收doInBackground方法的返回值
protected void onPostExecute(String result) {


System.out.println(result);
//更新进度
// publishProgress(100d);
};




// 更新进度,运行在主线程上,在publishProgress运行之后
protected void onProgressUpdate(Double[] values) {
// System.out.println("执行进度:" + values[0]);
double r = values[0];
//向上取整
double floor = Math.ceil(r );

textView.setText(floor+"");
// bar.setProgress(double.);
};



//获取进度
public void progress(){

/* // 获取数据总长度
long contentLength = httpEntity.getContentLength();
System.out.println(contentLength);
// 获取网络数据
InputStream inputStream = httpEntity.getContent();


BufferedReader bufferedReader = new BufferedReader(
new InputStreamReader(inputStream, "utf-8"));


char[] buf = new char[1];
        //总读取进度
int sun = 0;
//本次读取的进度
        int i;
        StringBuilder buffer=new StringBuilder();
while ((i = bufferedReader.read(buf)) != -1) {

sun=sun+i;
double count = (((double)sun / (double)contentLength))*100;

             //实时更新进度
publishProgress(count); 
buffer.append(new String(buf));
}


bufferedReader.close();
inputStream.close();
       string = buffer.toString()


;*/

}

}
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