SymbianOS Series 60学习笔记一: HelloWorld之晕

昨天HelloWorld居然不成功,真是郁闷,只能在模拟器上运行却不能在机器上运行,搞不懂是怎么回事,和同事商量,同事说有可能是编译的版本问题。这时候我才若有所悟,真是粗心,找了一些入门级文档看了看,才发现原来人家早就说得很清楚:
用 bldmake bldfiles 生成makefile文件
用 abld build wins udeb 生成模拟器运行代码
用 abld build armi urel 生成机器运行代码

我把在模拟器上运行的程序放到机器上,当然不行
现在真是越来越浮躁了,本来一个很好解决的问题,总不能静下心来寻找问题。

程序在机器上能运行,不过显示中文又有些问题了。。由于Symbian的操作系统用UTF-8字符集,要好好看看文档是怎么解决的了,研究了一下Symbian& Nokia Series60SDK的一些简单例程,总算有所收获。

当然中文问题也有了解决,写了一个函数:

void ConvertGBKToUTF(TText8? *source, TDes& target)
{
CCnvCharacterSetConverter* converter=CCnvCharacterSetConverter::NewLC();

if(converter->PrepareToConvertToOrFromL(KCharacterSetIdentifierGbk,iEikonEnv->FsSession())!=CCnvCharacterSetConverter::EAvailable)
User::Leave(KErrNotSupported);

TInt state=CCnvCharacterSetConverter::KStateDefault;

TPtrC8 str( source );
HBufC* iInfoText = HBufC::NewL( str.Length() );
TPtr16 ptr = iInfoText->Des();

if(CCnvCharacterSetConverter::EErrorIllFormedInput == converter->ConvertToUnicode(ptr, str, state))
User::Leave(KErrArgument);

target.Copy(ptr);

CleanupStack::PopAndDestroy();

delete iInfoText;
}

虽然是VC的程序,不过他的结果有点奇怪,用向导生成基本框架,程序都要放在Symbian.1Series60Series60Ex下面,大致的一个结构是aif(图标目录),data(资源文件),group(makefile等),inc(头文件等),src(源文件),install(生成pkg),使用VC向导其实就生成了VC的工程文件.dsw,但是我在向project里添加.lib的时候,link总是不能通过,即使先在group/.mmp文件加上?LIBRARY??库文件名,最后我想了一个变通的方法,先编辑.mmp文件,加入要使用的lib文件名,然后在命令行使用abld?makefile?vc6?命令重新生成一次VC工程文件,这样再Link的时候就不会出现找不到外部连接符号的错误了。

而且替换Series60程序的图标也很简单,aif下有几个位图,一般图标都是成对出现,第二个是mask图片,用于镂空第一张图的背景。不过我修改了图片,直接用VC编译,在模拟器中显示不了改动。用abld?build?armi?urel生成手机运行的程序时,可以看到图标被修改了。我估计用命令来编译的程序,放到模拟器上图标应该能够被修改,不过我没有去试,反正不是什么主要的问题。

显示中文的问题我终于知道我昨天为什么会犯错了,其实按照例子中的方法一点问题都没有,不过开始有一段代码我一直没有管它,以为与我要用的没有关系,后来才发现没有那段语句有个类完全没有被初始化,所以后面总是出现非法操作,或来做了修正就没有问题了。

试了一下多加几个tab,没有什么问题,从中有点明白了那几个rss文件啊,hrh文件啊,loc文件啊的意思了,反正定义了一堆的东西,以后要改写东西可以知道到什么地方改。

Symbian & Nokia Series 60 SDK程序结构有了一些了解,可还是有好多东西都看不懂,对它代码的语法和风格也很不习惯,这需要时间来适应,不过有了初步的了解,比最初要清楚多了,至少没有了无从下手的感觉。

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