ReactiveCocoa那些干货——2


前言:

笔者在之前的某个项目中由于需求调用系统摄像机,于是在此条件下封装了一个RAC关于UIImagePickerController的一个Category,以RAC框架中对UIImagePickerController的Category封装为提前,对UIImagePickerController进行了二次封装。

 

UIImagePickerController+RACSignalSupport介绍

     首先,让我们来看一下RACSignalSupport拓展中对UIImagePickerController所做的事情吧,如下:

       

 

通过RAC的源码可以看出来,在UIImagePickerController跟之前笔者提及的UIAlertView封装是类似的,同样是对委托进行拦截,原理这里就不多做说明,不清楚的童鞋可以回头看看之前的博文。

 

关于RAC对UIImagePickerController的这个Category,笔者早在2015年初的时候就使用过,但是使用之初就发现这个Category对imagePickerControllerDidCancel: 的拦截在某些情况下有些限制的,源码中,takeUntil:方法试图拦截imagePickerControllerDidCancel:的信号,思路上是正确的,但是某些情况下这个拦截会失灵,因此,笔者很干脆的将这个委托另外抽出了一个Category进行封装,这个Category是控制器(UIViewController的Category)。

        

并且实现如下:

 

- (RACSignal*)rac_willCancelSignalForImagePickerController:(UIImagePickerController*)imagePickerController {

   

    if (![selfcheckImagePickerController:imagePickerController]){

        return nil;

    }

    return [RACSignalcreateSignal:^RACDisposable*(id<RACSubscriber>subscriber) {

      

       [[[imagePickerController.rac_delegateProxysignalForSelector:@selector(imagePickerControllerDidCancel:)]deliverOn:[RACSchedulermainThreadScheduler]]subscribeNext:^(idx) {

           [subscriber sendNext:x];

           [subscriber sendCompleted];

        }];

        return nil;

    }];

}

思路是:通过统一截取Delegate的方法,截取imagePickerControllerDidCancel:这个回调的方法,并组建信号管道,将点击到Cancel的信号逐级传递。

 

在Category中先添加如下的Cancel信号处理

@weakify(self);

        [[selfrac_willCancelSignalForImagePickerController:imagePickerController]subscribeNext:^(idx) {

            @strongify(self);

            [selfcameraDeviceDismissViewControllerForAnimated:YEScompletion:dismissCompletion];

        }];

 

 

 

然后在需要创建系统相册/摄像机的地方进行调用

[[[selfopenCameraDeviceForDeviceType:kSystemAnimationTypePhotowithCompletion:^(UIImagePickerController *imagePickerController) {

             @strongify(self);

            [selfpresentViewController:imagePickerControlleranimated:YEScompletion:^{

               

            }];

        } dismissCompletion:^{

            //这里是点击Canceldismiss控制器完成后调用的block           

 

        }] deliverOn:[RACSchedulermainThreadScheduler]]subscribeNext:^(NSDictionary*dic) {

            NSLog(@"dic: %@", dic);

            UIImage*image = dic[@"UIImagePickerControllerEditedImage"];

            NSLog(@"image: %@", image);

            [selfcameraDeviceDismissViewControllerForAnimated:YEScompletion:^{

               

            }];

        }];

 

 

总结:

       关于RAC对于UIKit的封装,笔者的理解是可以将它看成一个拼图,不管是基于RAC的封装Category进行的二次封装也好,或者直接使用RACDelegateProxy进行的封装也好,都是从源头上获取事件,将其包装为一个Signal由开发者所组装的管道,进行的信号传递,最后修改变更视觉上的UI的过程,这也是RAC框架最为棒的核心概念响应式编程。笔者后面还会陆续有些文章,之后也会陆续介绍些自己对RAC核心类的理解,也希望各位对RAC框架有更多了解的大神们可以多多指教~


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