IOS Event Handling

From: http://blog.csdn.net/zhouxinfang/article/details/17298927    

   当一个用户发起的event发生时,UIKit创建一个event对象,该对象包含了需要处理该event的信息。然后UIKit会把该event对象添加到event队列.一个event在被分发到能够处理它的对象之前经过了很长的一段行程,首先UIApplication 会从顶层的event队列中取出一个event,然后发送给key window对象,key window对象的在这里起的作用就是根据该event的信息,找到能够处理它的最原始对象

在这里Key window通过两种方式找到能处理event的最原始的对象

Touch events:Key window会尝试deliver这些eventtouch所产生的view上面,最终找到的viewhit-test view。这种找到hit-text view的方法叫做hit-testing

Motion and remote control events:对于这些事件,Key window会将这些事件发送给first responder对象去处理。

这两种处理event的方法的最终目标是找到一个对象能够处理所产生的event。所以,UIKit会自动根据event类型发送到合适的对象去处理该event,对于touch event,这个对象就是hit-test view,对于其他的event类型,这个对象就是first responder。

Hit-Testing Returns the view where a touch occurred

IOS 使用hit-testing方法找到touch产生的viewHit-testing会检查一个touch是否发生在相关的view当中,如果是的话,会遍历该viewsubviews,在该view层次结构中最底层并且包含该touch pointview,就是所要查找的hit-test view,当检查出hit-test view后,ios就会把event传递给该view处理。

举个例子:如下图,ios根据如下顺序查找subviews

1.The touch is within the bounds of view A,so it checks subview B and C

2.The touch is not within the bounds of view B,but it is within the bounds of view C,so it checks subviews D and E.

3.The touch is not within the bounds of view D,but it is within the bounds of view E,view E is the lowest view in the view hierarchy that contains the touch,so it becomes the hit-test view.

hitTest:WithEvent;方法解析

hitTest:WithEvent方法返回hit test view,参数为CGPoint UIEvent,hitTest:WithEvent方法第一步会调用 pointInside:withEvent:方法,如果CGPoint 是在该viewbounds中时,pointInside:withEvent:返回YES,然后,该方法会在所有的子视图上递归调用hitTest:withEvent:并返回YES

如果该CGPoint不在该viewbounds中时,第一次调用pointInside:withEvent:返回NO,然后该CGPoint被忽略了,并且hitTest:WithEvent返回nil,如果有一个subview返回NO,那么整个view层次结构中的每个分支都被忽略了,因为一个touch如果不是产生在subview中,那么该subview的子subview也不可能产生。也就是说任何一个subview中的point如果是在一个superview的外面,那么该subview无法获取touch事件。当把一个subviewclipsToBounds 属性设为No时会发生这种情况。

touch event个人总结:

1.touch事件发生,创建UIEvent对象

2.按照Applicationview层次结构,逐层调用每个viewhitTest:withEvent:方法,并传入该event对象,view根据pointInside:withEvent:方法和来决定touch点是否包含在自己的bounds中;

3.如果viewbounds包含了touch点,该view会遍历自己的subview,并调用每个subviewpointInside:withEvent:方法来进一步决定touch事件是发生在自己本身,还是自己的subview上。

4.重复第二,三步,并筛选出最终接收touch事件的view对象

The Responder Chain Is Made Up of Responder Objects

许多类型的事件依赖responder chain(响应链)来传递,所谓的responder chain就是一系列的responder 对象,响应链始于first responder 结束于application对象,如果first responder不能处理一个eventios会将事件传递给响应链中的next responder

一个responder对象指能响应和处理events的对象,UIResponder 类是所有responder对象的基类,它定义的编程的接口不仅仅是为了处理event,也是为了处理常见的响应行为。UIViewController UIView UIApplication的实例都是responder对象。

first responder设计的目的是作为事件接受的第一个对象,first responder 是一个view 对象。一个对象要成为firest responder要有2个步骤。

1.重写 canBecomeFirstResponder 方法,并返回YES

2.得到 becomeFirstResponder消息,如果需要,一个对象可以给自己发送该消息

Events are not the only objects that rely on the responder chain. The responder chain is used in all of the following

Touch events:如果hit-test view不能处理touch 事件,那么事件通过响应链传递,且始于hit-test view

Text editing:当用户点击一个text field或者一个text view时,该view自动成为first responder。默认情况下虚拟键盘同时会出现,并且text field 或者text view成为编辑的焦点。

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