Android截屏

public class PrintScreenActivity extends Activity {
    /** Called when the activity is first created. */
        private static final String TAG = PrintScreenActivity.class.getName();
        private Button btnShort;
        ImageView image = null;
        public static String SCREEN_SHOTS_LOCATION = Environment.getExternalStorageDirectory().getPath();
    @Override
    public void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        requestWindowFeature(Window.FEATURE_NO_TITLE);
        setContentView(R.layout.main);     
        image = (ImageView)findViewById(R.id.image);
        btnShort = (Button) findViewById(R.id.btnShots);
        btnShort.setOnClickListener(new Button.OnClickListener() {
                public void onClick(View v) {
                        try {
                                takeScreenShot(getWindow().peekDecorView(),SCREEN_SHOTS_LOCATION);
                        } catch (Exception e) {
                                // TODO Auto-generated catch block
                                Log.e("tag",TAG);
                        }
                }
        });
    }
    public void takeScreenShot(View view) throws Exception {
            takeScreenShot(view, "default");
    }
public void takeScreenShot(View view, String name) throws Exception {
                view.setDrawingCacheEnabled(true);
                view.buildDrawingCache();
                Bitmap bitmap = view.getDrawingCache();
                Canvas canvas = new Canvas(bitmap);
                int w = bitmap.getWidth();
                int h = bitmap.getHeight();

                Paint paint = new Paint();
                paint.setColor(Color.YELLOW);
SimpleDateFormat simple = new SimpleDateFormat("yyyy-MM-dd hh:mm:ss");
                String time = simple.format(new Date());
                
                canvas.drawText(time, w-w/2, h-h/10, paint);
                canvas.save();
                canvas.restore();
                FileOutputStream fos = null;
                try {
                        File sddir = new File(SCREEN_SHOTS_LOCATION);
                        if (!sddir.exists()) {
                                sddir.mkdirs();
                        }
                        image.setImageBitmap(bitmap);
                        File file = new File(SCREEN_SHOTS_LOCATION +File.separator+"screen" + ".png");
                        
                        fos = new FileOutputStream(file);
                        if (fos != null) {
                                bitmap.compress(Bitmap.CompressFormat.PNG, 90, fos);
                                fos.close();
                        }
                } catch (Exception e) {
                        Log.e("tag",e.getCause().toString());
                        e.printStackTrace();
                }
        }
}


view.buildDrawingCache()有时不一定起作用,因为如果有硬件加速的话,drawingcache是失效的,所以也可以这样

Bitmap bitmap = Bitmap.createBitmap(width, height, Bitmap.Config.ARGB_8888);

                Canvas c = new Canvas(bitmap);

                view.dispatchDraw(c);


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