Android基本组件之Activity

一、Activity的生命周期

        1、典型情况下的生命周期分析

        生命周期指的是Activity从其产生到销毁经历的一系列状态,这里可以简单的理解为Android类为我们定义好的7个回调方法。在详细介绍七个方法之前可以先看看下图,Activity生命周期的切换过程。

                                     

1)onCreate():这是生命周期的第一个方法,表示Activity正在被创建。在这里,主要做一些初始化工作,比如调用setContentView()去加载界面布局资源、绑定事件等;

2)onRestart():表示Activity正在重新启动,当Activity由不可见变为可见状态时调用。比如,用户从当前界面按下home键或者打开其他界面后,原来的界面就会暂停(接着onPause()方法和onStop()方法会被调用),这时,如果用户又回到原来界面时,onRestart()方法就会被调用。

3)onStart():表示Activity正在被启动,即将开始,这时Activity已经可见,但未出现在前台(是否可以理解为出现在返回栈栈顶),因此还无法和用户交互。

4)onResume():表示Activity已经可见,并且出现在前台并开始活动。此时Activity一定位于栈顶,并出去运行状态。

5)onPause():表示Activity已经停止,这时系统准备启动一个新的Activity或又返回当前的Activity。若启动新的,会接着执行onStop()方法;若又返回当前的,会接着调用onResume()方法。在这个方法里,可以做一些数据存储、停止动画等工作,但注意不能太耗时,否则会影响到新Activity的显示。

6)onStop():在Activity完全不可见时调用,表示其即将停止。它与onPause()的区别在于,若启动的是对话框式的活动,那么调用onPause()方法,而不是onStop()方法。

7)onDestroy():表示Activity即将被销毁,这也是生命周期的最后一个回调,主要进行一些回收工作和最终的资源释放。

        以上生命周期中的7个回调方法需要注意的两点有:    

    onStart和onStop方法是从Activity是否可见而言的,而onResume和onPause方法是就Activity是否处于前台位置而言的。

    处于栈顶Activity的onPause方法必须执行了,新的Activity才能启动。

        2、异常情况下的生命周期分析


二、Activity的LaunchMode

        首先,需要知道的是,在启动Activity时,系统需要为Activity分配任务栈(Task)并创建实例。任务栈(Task)是指一组存放在栈里的活动的集合,用于管理多个活动,也被称为返回栈(Back Task)。系统总会将栈顶的Activity显示给用户,当栈中无任何Activity时,系统就会回收这个任务栈。

        那么,在用户多次启动同一Activity时,默认情况下,系统会创建多个实例并一一放入任务栈。这种情况就显得不够经济了,这时Android就提供了LaunchMode来修改系统的默认行为。下面一一介绍Activity的四种LaunchMode和指定LaunchMode的两种方法:

        1、Activity的四种LaunchMode

        1)standard:标准模式,这也就是系统的默认情况下的默认模式。每次启动一个Activity都会重新创建一个新的实例,不论这个实例是否已经存在了。被创建的实例的生命周期都符合典型情况下Activity的生命周期,onCreate、onStart、onResume方法都会依次执行。在这种模式下,哪个Activity启动了这个Activity,这个Activity就在那个Activity所在的栈中运行。比如A启动了B(B是standard模式),那么B就会进入A所在的栈中。如下图,连续启动同一Activity后,连续返回也会依照任务栈的次序依次出栈,栈空了系统就会回收此栈,界面也就回到了主界面,退出程序。

                                    

        2)singleTop:栈顶复用模式。在这种模式下,如果新的Activity已经位于栈顶了,那么系统就不会重新创建这个Activity了。同时系统会调用onNewIntent方法,通过其参数取出当前请求的信息。此时,这个Activity的onCreate和onStart方法都不会调用,因为它没有发生变化。而如果新Activity已存在但不在栈顶,系统仍会重新创建新Activity的实例。如下图,若已位于栈顶,则不会重新创建。

                        

        3)singleTask:栈内复用模式。这是一种单实例模式,在这种模式下,只要Activity在一个栈中存在,当多次启动此Activity且需要的就是该栈时,则不会重新创建实例。具体而言,当一个具有singleTask的Activity请求启动时,系统会首先查看该Activity所需要的任务栈是否存在,若不存在,则会创建该任务栈,并在其中创建该Activity实例;若存在,则继续查看该栈中是否存在该Activity实例,若该实例存在,则将其调到栈顶,若该实例不存在,则新建实例并压入栈中。需要注意的是,当需要的任务栈和实例都存在,但实例不在栈顶时,由于singleTask默认具有clearTop效果,系统会将栈内在该实例前面的实例全部出栈。如下图 ,当在该栈中启动FirstActivity时,系统会直接将SecondActivity出栈。                                  

                                    

        4)singleInstance:单实例模式。这是一种加强的singleTask模式,除了具有singleTask的所有特性外,还加强了一点,那就是具有此种模式的Activity只能单独地位于一个任务栈中。换句话说,在这种模式下会有一个单独的任务栈来管理这个活动,由于栈内复用的特性,不管哪个应用程序来访问这个Activity,都会共用这个特殊的任务栈,也就解决了共享Activity实例的问题。如下图,FirstActivity设为standard模式,SecondActivity设为singleInstance模式。上半部分表示,当启动SecondActivity时会单独新建一个任务栈,在SecondActivity返回,则会回到原始栈;下半部分表示,若从SecondActivity启动一个新的FirstActivity,则会跳转到原始栈重新创建新的实例,但这是连续两次返回会回到SecondActivity,然后才会退出程序,因为由SecondActivity启动FirstActivity时,起点变成了SecondActivity所在的任务栈。

                


        2、指定LaunchMode的两种方法



三、IntentFilter的匹配规则

        Intent是Android程序各组件之间进行交互的一种重要方式,它不仅可以指明当前组件想要执行的动作,还可以在不同组件之间传递数据。Intent一般用于启动活动、启动服务以及发送广播等场景。Intent用于启动Activity时大致可以分为两种:显式Intent和隐式Intent。显式Intent主要通过Intent的一个构造方法来启动Activity:

 Intent intent = new Intent(FirstActivity.this,SecondActivity.class);
startActivity(intent);

        显式调用很简单,这里主要记录隐式调用。隐式调用需要Intent能够匹配目标组件的IntentFilter中所设置的过滤信息,如果不匹配将无法启动组件。IntentFilter的过滤信息有action、category、data。为了匹配过滤列表,需要同时匹配过滤列表中的action、category、data信息,否则匹配失败。

        action是一个字符串,系统预定义了一些action,开发者也可以在自己的应用中自定义action。action的匹配规则是:Intent中的action必须存在且与IntentFilter过滤规则中的一个action相同。

        category同样也是一个字符串,也可以自定义。匹配规则却与action不同:Intent中可以没有或出现多个category,但一旦出现则必须都是IntentFilter中的过滤规则中定义过了的。

        data的匹配规则与action类似,但其结构较为复杂。

        后续.........






            






智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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