Titanium教程day2-组件与视图动画实战

原文:http://blog.csdn.net/eminia/article/details/6628628

要点:
点对点动画
透明度动画
变形基础

准备动画

准备UI用来动画,本课以label和view为例。创建2个Label:

openingLabel = Titanium.UI.createLabel({
    text:'Happy Festivus',
    top: Math.round(Titanium.Platform.displayCaps.platformHeight * 0.30),
    height: 'auto',
    width:'auto',
    shadowColor:'#aaa',
    shadowOffset:{x:3,y:3},
    color:'#900',
    font:{fontSize:openingLabelFontsize},
    textAlign:'center'
});
 
closingLabel = Titanium.UI.createLabel({
    text:'The End',
    height:'auto',
    width:'auto',
    color:'#fff',
    font:{fontSize:closingLabelFontsize},
    textAlign:'center',
    opacity: 0
});

openingLabel 做3D矩阵形变, closingLabel做透明度变化。先做形变,创建 3D matrix:

var olt = Titanium.UI.create3DMatrix();
olt = olt.rotate(200,0,1,1);
olt = olt.scale(2);
olt = olt.translate(20,50,170);
olt.m34 = 1.0/-3000;
参考 Titanium.UI.2DMatrix & Titanium.UI.3DMatrix API ,关于矩阵变形的知识,见 The Matrix Revolutions.

开始动画

调用openingLabel animate 方法

参数1:对象,包含2个属性:transform 形变和 duration,transform 就是刚刚创建的矩阵,duration以毫秒为单位。

参数2:回调函数

openingLabel.animate(
  {transform: olt, duration: 1500},
  function() {
      //Tasks to perform after the animation has completed
  }
);
执行动画, openingLabel 会变大,旋转,最终移出屏幕。

Animation对象

低级层次的动画。用Titanium.UI.createAnimation.创建。设置closingLabel 透明度为0,下面演示放大和改变透明度。

closingLabel.animate(Titanium.UI.createAnimation({
    opacity: 100,
    duration: 2500,
    transform: Titanium.UI.create2DMatrix({
        scale: 1.5
    })
}));
2.5秒后会放大1.5倍,透明度100。

视图动画

以雪花为例,雪花大小不同,样式不同。落下时受到风和相互间碰撞的影响。先创建各种形状,大小,角度。随机初始位置。要用到Animation 对象,2D 矩阵,透明度,和时长。

//Used to randomize a logo's initial left position
function getRandomLeftPostion() {
    var leftVal = 0;
    while (leftVal < 10) {
        leftVal = Math.floor(Math.random()*Titanium.Platform.displayCaps.platformWidth);
    }
    return leftVal;
}
 
//Used to build a transform with some randomized attributes
function getRandomTransform() {
    var rotateVal  = Math.floor(Math.random()*100),
        scalingVal = 0;
 
    while (scalingVal < 0.1) {
        scalingVal = Math.random().toFixed(1);
    }
 
    return Titanium.UI.create2DMatrix({
        rotate: rotateVal,
        scale: scalingVal
    });
}
 
//Used to create a uniquish looking logo that we'll use in animations
function getImageViewToAnimate() {
    //We'll alternate between two background images
    bImage = (viewBackgroundImage === 'appcelerator' ? 'snowflake' : 'appcelerator');
    viewBackgroundImage = bImage;
 
    return Titanium.UI.createView({
        backgroundImage:'images/' + bImage + '.png',
        top: Math.floor(Math.random()*200), //start anywhere from top 0 to 200
        left: getRandomLeftPostion(),
        height:95,
        width:83,
        opacity: 0.75,
        visible: false,
        transform: getRandomTransform()
    });
}
写完工具函数后,下面写雪花(其实就是带背景的view):

//Build up an array of viewsToAnimate (views) and add them to the current window
for(var i=0; i<30; i++) {
    var viewToAnimate = getImageViewToAnimate();
 
    viewsToAnimate[viewsToAnimate.length] = viewToAnimate;
    tiWindow.add(viewToAnimate);
}
遍历雪花数组,给每一视图加动画:

viewsToAnimate[a].animate(Titanium.UI.createAnimation({
  top: (Titanium.Platform.displayCaps.platformHeight - 65),
  left: getRandomLeftPostion(),
  opacity: 1,
  curve: Ti.UI.ANIMATION_CURVE_LINEAR,
  duration: 3000+(Math.random()*(6000-3000)),
  repeat: 3
}));
每调用一次动画就创建一个自定义animation 对象。设置top和left值得到随机效果。注意这2个值是在animation 对象中指定的。 Top 是距离屏幕底部的随机值。这样堆叠才像雪花。本来我们是要硬编码来写宽高的,但是有 Titanium.Platform.displayCaps自动得到屏幕宽高。从左移到右移动平滑,使用 Ti.UI.ANIMATION_CURVE_LINEAR常量。
这样就做好了30个雪花,最后设置repeat属性为3,这样实际上就有90个雪花了。

day2demo

注意源代码是iPhone & iPad版本。


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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