UIKit视图动画的微扩展

大熊猫猪·侯佩原创或翻译作品.欢迎转载,转载请注明出处.
如果觉得写的不好请多提意见,如果觉得不错请多多支持点赞.谢谢! hopy ;)


好久没写blog了,还不快快写来… ;]

我们知道在UIKit中做动画有几种方法,一种是Animation,还有就是Transition,前者根据对象的属性产生动画,后者则是通过View之间的操作完成动画.

我们可以看一下UIViewAnimationOptions这个类,其中与Transition相关的共有8种选项:

public static var TransitionNone: UIViewAnimationOptions { get } // default
    public static var TransitionFlipFromLeft: UIViewAnimationOptions { get }
    public static var TransitionFlipFromRight: UIViewAnimationOptions { get }
    public static var TransitionCurlUp: UIViewAnimationOptions { get }
    public static var TransitionCurlDown: UIViewAnimationOptions { get }
    public static var TransitionCrossDissolve: UIViewAnimationOptions { get }
    public static var TransitionFlipFromTop: UIViewAnimationOptions { get }
    public static var TransitionFlipFromBottom: UIViewAnimationOptions { get }

下面我们UIViewAnimationOptions结构写一个扩展,这个扩展做2件事:

  1. 包含随机返回8个Transition选项之一的属性
  2. 返回Transition选项对应的名称
import Foundation
import UIKit
import GameplayKit

@available(iOS 9.0, *)
private let randomGen:GKShuffledDistribution = GKShuffledDistribution(forDieWithSideCount: UIViewAnimationOptions.allDirectionOptions.count)

@available(iOS 4.0, *) extension UIViewAnimationOptions{
    static let allDirectionOptions:[UIViewAnimationOptions] = [.TransitionNone,.TransitionFlipFromLeft,.TransitionFlipFromRight,.TransitionCurlUp,.TransitionCurlDown,.TransitionCrossDissolve,.TransitionFlipFromTop,.TransitionFlipFromBottom]

    var optionName:String{
        switch self.rawValue {
        case UIViewAnimationOptions.TransitionNone.rawValue:
            return "TransitionNone"
        case UIViewAnimationOptions.TransitionFlipFromBottom.rawValue:
            return "TransitionFlipFromBottom"
        case UIViewAnimationOptions.TransitionFlipFromTop.rawValue:
            return "TransitionFlipFromTop"
        case UIViewAnimationOptions.TransitionCrossDissolve.rawValue:
            return "TransitionCrossDissolve"
        case UIViewAnimationOptions.TransitionCurlDown.rawValue:
            return "TransitionCurlDown"
        case UIViewAnimationOptions.TransitionCurlUp.rawValue:
            return "TransitionCurlUp"
        case UIViewAnimationOptions.TransitionFlipFromRight.rawValue:
            return "TransitionFlipFromRight"
        case UIViewAnimationOptions.TransitionFlipFromLeft.rawValue:
            return "TransitionFlipFromLeft"
        default:
            return "noneName"
        }
    }
    /*
    @available(iOS 9.0, *)
    private lazy var randomGen:GKShuffledDistribution = {
        return GKShuffledDistribution(forDieWithSideCount: allDirectionOptions.count)
    }()
    */
    static var RandomDirectionOption:UIViewAnimationOptions {
        if #available(iOS 9.0, *) {
            let idx = randomGen.nextInt() - 1
            print("gen is \(randomGen) , idx is \(idx)")
            return allDirectionOptions[idx]
        } else {
            return .TransitionNone
        }
    }
}

首先我们在文件范围建立一个随机数发生器,我们没有使用一般的方法,而是使用了iOS9之后才有的新方法,该随机数发生器,正如其名字那样返回的随机数不会重复,除非选完全部可选的随机数.为什么不放到结构扩展里呢?因为我不希望每次读取RandomDirectionOption属性都生成一个新的随机数发生器.

我们在实际的例子中测试一下上面的扩展:

let option = UIViewAnimationOptions.RandomDirectionOption
        UIView.transitionWithView(status, duration: 0.33, options: [.CurveEaseOut,option], animations: {
                self.status.hidden = false
                self.label.text = option.optionName
                self.transitionName.text = option.optionName
                self.transitionName.sizeToFit()
                self.transitionName.center = CGPoint(x: self.statusPosition.x, y: self.transitionName.center.y)
            }, completion: {_ in
                delay(seconds: 2.0){
                    if index < self.messages.count - 1{
                        self.removeMessage(index: index)
                    }else{
                        //reset form
                    }
                }
            })

编译链接app,效果如下:

这里写图片描述

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

打赏作者

大熊猫侯佩

赏点钱让我买杯可乐好吗 ;)

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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