iOS-Foundation框架(NSDateFormatter)

//在开发iOS程序时,有时候需要将时间格式调整成自己希望的格式,这个时候我们可以用NSDateFormatter类来处理。

   //过多使用NSDateFormatter将影响程序的性能,且程序中NSDateFormatter对象的时间格式基本一致,所以使用NSDateFormatter的时候尽量使用单例模式

    NSDateFormatter*dateFormatter12=[[NSDateFormatteralloc]init];

    [dateFormatter12 setDateFormat:@"G yyyy-MM-dd HH:mm:ss aa"];

    NSString*currentDateStr=[dateFormatter12 stringFromDate:[NSDate date]];

    NSString*date1970=[dateFormatter12stringFromDate:[NSDatedateWithTimeIntervalSince1970:0]];

    NSLog(@"%@",currentDateStr);//公元 2015-12-09 16:42:17 下午

    NSLog(@"%@",date1970);//公元 1970-01-01 08:00:00 上午


 /*字符说明:

     a:  AM/PM

     A:  0~86399999 (Millisecond of Day)

     

     c/cc:   1~7 (Day of Week)

     ccc:    Sun/Mon/Tue/Wed/Thu/Fri/Sat

     cccc: Sunday/Monday/Tuesday/Wednesday/Thursday/Friday/Saturday

     

     d:  1~31 (0 padded Day of Month)

     D:  1~366 (0 padded Day of Year)

     

     e:  1~7 (0 padded Day of Week)

     E~EEE:  Sun/Mon/Tue/Wed/Thu/Fri/Sat

     EEEE: Sunday/Monday/Tuesday/Wednesday/Thursday/Friday/Saturday

     

     F:  1~5 (0 padded Week of Month, first day of week = Monday)

     

     g:  Julian Day Number (number of days since 4713 BC January 1)

     G~GGG:  BC/AD (Era Designator Abbreviated)

     GGGG:   Before Christ/Anno Domini

     

     h:  1~12 (0 padded Hour (12hr))

     H:  0~23 (0 padded Hour (24hr))

     

     k:  1~24 (0 padded Hour (24hr)

     K:  0~11 (0 padded Hour (12hr))

     

     L/LL:   1~12 (0 padded Month)

     LLL:    Jan/Feb/Mar/Apr/May/Jun/Jul/Aug/Sep/Oct/Nov/Dec

     LLLL: January/February/March/April/May/June/July/August/September/October/November/December

     

     m:  0~59 (0 padded Minute)

     M/MM:   1~12 (0 padded Month)

     MMM:    Jan/Feb/Mar/Apr/May/Jun/Jul/Aug/Sep/Oct/Nov/Dec

     MMMM: January/February/March/April/May/June/July/August/September/October/November/December

     

     q/qq:   1~4 (0 padded Quarter)

     qqq:    Q1/Q2/Q3/Q4

     qqqq:   1st quarter/2nd quarter/3rd quarter/4th quarter

     Q/QQ:   1~4 (0 padded Quarter)

     QQQ:    Q1/Q2/Q3/Q4

     QQQQ:   1st quarter/2nd quarter/3rd quarter/4th quarter

     

     s:  0~59 (0 padded Second)

     S:  (rounded Sub-Second)

     

     u:  (0 padded Year)

     

     v~vvv:  (General GMT Timezone Abbreviation)

     vvvv:   (General GMT Timezone Name)

     

     w:  1~53 (0 padded Week of Year, 1st day of week = Sunday, NB: 1st week of year starts from the last Sunday of last year)

     W:  1~5 (0 padded Week of Month, 1st day of week = Sunday)

     

     y/yyyy: (Full Year)

     yy/yyy: (2 Digits Year)

     Y/YYYY: (Full Year, starting from the Sunday of the 1st week of year)

     YY/YYY: (2 Digits Year, starting from the Sunday of the 1st week of year)

     

     z~zzz:  (Specific GMT Timezone Abbreviation)

     zzzz:   (Specific GMT Timezone Name)

     Z:  +0000 (RFC 822 Timezone)

     

    字符格式的详细说明见

     http://unicode.org/reports/tr35/tr35-10.html#Date_Format_Patterns


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
评论 1
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