android 1 引论

1. android system


如上图所示,分为四个部分;蓝色区域为Java开发,绿色区域为C/C++开发,最后红色区域是底层跑的linux内核。

1.android application 这部分就是android开发者开发的应用程序,从图上可知,系统自带的android程序和自己开发的程序位于同一个层级,彼此之间没有任何优先级之分,所以自己开发的程序可以自由调用android自带程序,比如地址簿。

2.android framework,这部分大家很熟悉,就是开发android程序的时候经常用到的activity等framework。

3.framework 所依赖的库函数,这些library有些是android自己的,也有些直接引入了第三方,比如webkit和sqlite等,这些库函数都运行在google自行开发的Java虚拟机dalvik虚拟机上面,简单说一下dalvik虚拟机,它面向的机器是手机和平板等受限制的资源(没有特别好CPU,受电量等限制等),所以dalvik有很强的处理能力,和节约机器资源的能力。

4.linux 内核,所以android system实际上是一个封装了的linux操作系统。

2. android basic concepts

1.activity 简单说,应用程序和用户的一次交互

2.service 在后台运行的,和用户无交互  比如:听歌的app,选好了歌曲之后,user去浏览器浏览网页,这时候,听歌app在后台运行,这就是一个service

3.broadcast recevier 也和用户无交互,接受broadcast消息, 比如: 写了一个flicker的app,一旦user拍了新的照片,则会自动上传之flicker服务器, 我们要作的是 将take photo这个event注册到recevier上,一旦发生才事件,android system就会通知我们的recevier,进行处理

4.content provider 处理应用数据,可以给其他应用使用,也可以供自己内部使用;比如,通讯录就提供了一个供其他app使用的content provider

3. android app

每一个android app都会运行在一个单独的linux process当中,并且有一个uniqe user id。

android app之间可以很好的进行无缝链接,也就是一个app可以无缝调用另外一个app的activity,并且完成之后,可以返回原来的view, 这就依靠android系统的一个activity stack,

活动栈,他能够保存当前activity的上下文环境context。

1.activity由activity stack进行管理,那么它的生命周期如何呢?


2.intent

从一个activity到另外一个activity,需要intent

intent包括显示和隐式两种,举个例子,显示intent,比如自己的程序需要调用google地图,则会显示的在intent中描述,需要跳转到google地图的activity;隐式intent,比如需要打开一个浏览器链接,这时候android platform知道了user的需求,则会寻找能够相应的activity; 这时候发现多个浏览器(谷歌,360等)都可以响应,会pop出一个列表由用户选择~

http://v.163.com/special/opencourse/developingandroidapplications.html

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