第一次成功的喜悦

今天是15年10月13日,经过两个多月的努力,我终于写出了我的第一安卓程序,我很高兴,这是我前行的动力;

在写程序的过程中,我发现了几个小问题:

1.我第一次了解到了匿名内部类的实现,以及所谓的Uri资源定位符,然后我了解到安卓有自己的xml界面语言,不需要java的图形化界面及Swing组件;

2.在编译的过程中,adb桥端口被占用,导致程序无法跑起来,所以我学会了以下处理方法:

                    猜测是某个程序占用了adb端口。于是按此思路查找,          

                          在任务管理器 kill掉adb 或者重启adb server,

输入:  adb kill-server,然后启动 adb start-server;

仍然无效就查看 5037端口是否被占用,

5037为adb默认端口 查看该端口情况如下:

    用命令行:   netstat -aon|findstr "5037"

      TCP    127.0.0.1:5037         0.0.0.0:0              LISTENING (被占用)      6540

经查看发现是酷狗音乐---终于解决了

发现6540占用了 5037端口,继续查看6540的task,经查看发现是酷狗音乐(---终于解决了 ).如下所示

   用命令行:       tasklist|findstr "6540"

     kugou.exe          6540 Console                   5      4,276 K

接下来问题就好解决了,在任务管理器kill掉酷狗.exe  .


最后重启eclipse,运行android项目,可以了。

3.本次学会了如何给安卓程序添加应用权限请求了;

4.此次代码实现让我了解了 监听器是在MainActivity.java中进行的,就像是业务逻辑处理页面一样;

5.而界面显示在activity_mian .java中实现的,通过ctrl+1,可以直接转化字符串为文本;




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