更小的VertorDrawable

4 篇文章 0 订阅
1 篇文章 0 订阅

转载请注明出处:http://www.jianshu.com/p/8d5fe7176315

本篇文章翻译自谷歌出的优化视频里面的光头佬(Colt McAnlis),原文地址需翻墙, 以下正文:

如我们所见,矢量图(VertorDrawable)可以很好的减少我们APK的大小。它只需要一个文件就可以解决不同分辨率显示图片的问题,不像普通图片那样需要切几套图。但不得不说,它还可以更小。

只要处理好下面这两步,一切都搞定。

简化你的paths

使用矢量图的流程包括在第三方程序创建一个SVG文件,然后通过VectorAssetStudio转成相应的格式。但在SVG转成VD过程种,只要你一不小心,就有可能导致最后的矢量图变得臃肿。

1.png

这一些归结于:Paths

Path对象是SVG和VD(VectorDrawable)所支持属性的最小公分母。这没什么问题,它们都非常容易扩展,可以代表一堆图形,使用这个属性可以更接近你预期效果。

但这会带来两个大问题。

第一个,Path数据真的非常大和非常快。当你使用VD来表示一个非常复杂的图形时,唯一的办法是使用一个很大path来表示。即使图形有很小的波动都可能导致很多新的path节点被加进来。

第二个,如我们之前说的那样,Path在Android平台上使用简单的图形会比栅格化更有利。默认情况下,这些矢量图都会被栅格化软件(例如:SKIA)转成一个bitmap,然后上传到texture给GPU处理。矢量图越复杂,这个过程所花的时间就会越长。

因此,简化你的path不仅可以减少你矢量图的文件大小,还会加快解析矢量文件的速度。

实际上简化你的path,是耐心的锻炼。像VectorAssetStudio这么屌的工具,在处理svg到vd过程也没有对path进行优化。由于Path数据是从SVG转给VD的,因此,在创作阶段优化是比较简单的,无论你使用什么工具创建SVG(好例子在这)都得在把文件导出来后,找一种方法来优化它。

这能够确保你最后生成的VD里面的path信息尽可能的小。

ShapeDrawables探索

可能一种更极端的优化方法是去掉所有的path。如果你可以用简单的基本对象代表一个图形或一张图片,那对你的性能将有很大的提高且能减小文件的大小。这可以用ShapeDrawables实现,它可以用一些对象来表示一些图形,而不是用默认的path来表示。

2.png

在某些情况下,这可能为你节省一堆空间…不过它的缺点是你得自己手动编写这些文件。不幸的是,我还没发现有哪种工具可以让你用所见即所得的方式来编辑这些shapes文件。你得手动在xml里创建它们,然后在Android Studio的预览窗口看它们长什么样。

不过如果你愿意处理这个过程,那么ShapeDrawables可以给你省不少空间呢。

PS:由于文人水平有限,如有翻译得不好的地方,请留言讨论。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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