IOS开发之——私人通讯录数据存储(58)

本文详细介绍了如何在iOS应用中实现用户数据的持久化存储,包括登陆界面中记住用户名和密码功能,以及添加和更新联系人的数据保存。通过使用UserDefaults进行登录数据的保存和读取,以及利用NSKeyedArchiver进行联系人数据的归档和解档,确保了用户数据的安全存储和高效检索。同时,文章提供了具体的代码示例来展示如何实现这些功能。
摘要由CSDN通过智能技术生成

一 概述

本文介绍私人通讯录数据存储相关的知识点:

  • 登陆界面中:记住用户名和密码及自动登陆

  • 添加联系人数据保存及更新结果保存

<!--more-->

二 效果图

 

三 功能实现

3.1 登陆界面

保存登陆数据

//保存登陆数据
[UserDefaults setObject:_accountField.text forKey:AccountKey];
[UserDefaults setObject:_pwdField.text forKey:PwdKey];
[UserDefaults setBool:_rmbPwdS.isOn forKey:RmbPwdKey];
[UserDefaults setBool:_autoLoginS.isOn forKey:AutoLoginKey];
//同步:当前内存中的数据和沙盒同步
[UserDefaults synchronize];

从沙盒读取数据

//从沙盒里读取数据
 _accountField.text=[UserDefaults objectForKey:AccountKey];
 if (_rmbPwdS.on) {
     _pwdField.text=[UserDefaults objectForKey:PwdKey];
 }
 _rmbPwdS.on=[UserDefaults boolForKey:RmbPwdKey];
 _autoLoginS.on=[UserDefaults boolForKey:AutoLoginKey];
 if (_autoLoginS.on) {[self loginBtn:self.loginBtn];}

3.2 添加联系人和更新联系人

保存数据

 #define FilePath [NSSearchPathForDirectoriesInDomains(NSDocumentDirectory, NSUserDomainMask, YES)[0]stringByAppendingPathComponent:@"contact.data"]
 [NSKeyedArchiver archiveRootObject:self.contacts toFile:FilePath];

要保存的类实现NSCoding

- (instancetype)initWithCoder:(NSCoder *)coder
{
    if (self=[super init])
    {
        _name=[coder decodeObjectForKey:NameKey];
        _phone=[coder decodeObjectForKey:PhoneKey];
    }
    return self;
}
- (void)encodeWithCoder:(NSCoder *)coder
{
    [coder encodeObject:_name forKey:NameKey];
    [coder encodeObject:_phone forKey:PhoneKey];
}

读取联系人数据

- (NSMutableArray *)contacts
{
    if (_contacts==nil) {
        _contacts=[NSKeyedUnarchiver unarchiveObjectWithFile:FilePath];
        if (_contacts==nil) {
            _contacts=[NSMutableArray array];
        }
       
    }
    return _contacts;
}

更新联系人数据

//协议方法,成功更新了一个联系人
-(void)editViewController:(EditViewController *)edit didUpdateContact:(Contact *)contact
{
    //刷新表格
    [self.tableView reloadData];
    //归档
    [NSKeyedArchiver archiveRootObject:self.contacts toFile:FilePath];  
}
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