cgywin下ndk

http://www.cnblogs.com/skyseraph/archive/2012/03/20/2407593.html

1 基础知识点

① JNI:Java native interface
② Android中调用JNI:
static //static区声明的代码会先于onCreate方法执行
{
System.loadLibrary("HelloWorld");//加载,完整的名字是lib HelloWorld.so
}
private native String Hello(); //有 native 关键字


2 JNI开发基本步骤

①编写.java类
②生成.class文件
③生成.h文件
③查阅.h文件

  JNIEXPORT 和 JNICALL 是jni的宏
  函数前的注释Signature: ()Ljava/lang/String;中的括号含义为:表示函数的参数为空,Ljava/lang/String表示函数的返回值是java的String对象
④编写.c/cpp文件
⑤创建 Android.mk文件
(和.c文件同级目录)
⑥编译生成.so文件

另:借用Refs-8 中的一张图片,如下


3 实例:TestJNI(Windows环境下[Cygwin],至于Linux环境可以直接参考Refs中的文章)

①建立Android工程,编写TestJNI.java类,源码如下

复制代码
 1 package com.testjni;
 2 
 3 import android.app.Activity;
 4 import android.os.Bundle;
 5 import android.util.Log;
 6 
 7 public class TestJNI extends Activity
 8 {
 9     /** Called when the activity is first created. */
10     @Override
11     public void onCreate(Bundle savedInstanceState)
12     {
13         super.onCreate(savedInstanceState);
14         setContentView(R.layout.main);
15         Log.d("Hi", "Android call JNI: " + outputJNI());
16     }
17     
18     private native String outputJNI();
19     
20     static
21     {
22         System.loadLibrary("testjni");
23     }
24 }
复制代码

②编译生成TestJNI.class文件

编译方法:
  方法1
:直接在Android下点击Build Project即可在工程的bin文件下生成相应的.class文件
  方法2:运行cmd,定位到工程目录,用javac命令执行即可

③编译生成com_testjni_TestJNI.h文件

编译方法:如下图所示。其中前三个红框是常见的错误,请注意!

④编写.c文件。

  可以直接用记事本编写,当然如果你的Eclipse环境已集成c/c++开发环境了(方法见【Android學習專題】搭建Android NDK环境 ),可以直接在Eclipse中编写

  代码如下所示,描述见注释:

⑤创建 Android.mk文件(和.c文件同级目录)

 

⑥编译生成libtestjni.so文件

编译方法
  打开Cygwin(Cygwin的安装见博文【Android學習專題】搭建Android NDK环境 ),命令输入如下:

说明
  我是把工程拷贝到了NDK配置环境目录下运行的,网上说可以直接cd到当前工程目录,然后运行,我试了N多次都失败了,我的工程在D:\My Document下(NDK在C:\Android\android-ndk-r7)

运行结果如下:


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