Android开发优化-Adapter优化

ListView作为Android开发中使用频率最高的一个控件,保证ListView的流畅运行,对用户体验的提高至关重要。Adapter是ListView和数据源之间的中间人,当每条数据进入可见区时,Adapter 的 getView() 会被调用,返回代表具体数据的视图,在成百上千条数据触摸滚动时频繁调用,因此如何优化Adapter是提高ListView性能的关键。

1. 使用ViewHolder模式,重复利用convertView,减少频繁查找

在2009年 Google IO开发者大会中已做说明,看一下使用不同实现方式之间的差距:

Adapter 显示每条数据的 XML 布局文件如下:

1
2
3
4
5
6
7
8
9
10
11
12
< LinearLayout
     android:orientation="horizontal">
     < ImageView  android:id="@+id/icon"
         android:layout_width="48dip"
         android:layout_height="48dip" />
     < TextView  android:id="@+id/text"
         android:layout_gravity="center_vertical"
         android:layout_width="0dip"
         android:layout_weight="1.0"
         android:layout_height="wrap_content" />
</ LinearLayout >

1. 最慢最不实用的方式

1
2
3
4
5
6
7
8
9
public  View getView( int  position, View convertView, ViewGroup parent) {
     View item = mInflater.inflate(R.layout.list_item_icon_text, null );
 
     ((TextView) item.findViewById(R.id.text)).setText(DATA[position]);
     ((ImageView) item.findViewById(R.id.icon)).setImageBitmap(
             (position & 1 ) == 1  ? mIcon1 : mIcon2);
 
     return  item;
}

2. 使用 convertView 回收视图, 效率提高 200%

1
2
3
4
5
6
7
8
9
10
11
public  View getView( int  position, View convertView, ViewGroup parent) {
      if  (convertView == null ) {
           convertView = mInflater.inflate(R.layout.item, null );
      }
 
      ((TextView) convertView.findViewById(R.id.text)).setText(DATA[position]);
      ((ImageView) convertView.findViewById(R.id.icon)).setImageBitmap(
                (position & 1 ) == 1  ? mIcon1 : mIcon2);
 
      return  convertView;
}

3. 使用 ViewHolder 模式, 效率再提高 50%

1
2
3
4
static  class  ViewHolder {
     TextView text;
     ImageView icon;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
public  View getView( int  pos, View convertView, ViewGroup parent){
     ViewHolder holder;
     if  (convertView == null) {
         convertView = mInflater.inflate(R.layout.list_item, null);
         holder = new  ViewHolder(); 
         holder.text = (TextView) convertView.findViewById(R.id.text));
         holder.icon = (ImageView) convertView.findViewButId(R.id.icon));
         convertView.setTag(holder);
     } else  {
         holder = (ViewHolder) convertView.getTag();
    
     holder.text.setText(DATA[pos]);
     holder.icon.setImageBitmap((pos & 1) == 1 ? mIcon1 : mIcon2);
     return  convertView;
}

更新率比较如下图:

QQ截图20130819151124

2. 使用工作线程加载数据,减轻UI主线程负担,使UI主线程只专注于UI绘制

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
// Using an AsyncTask to load the slow images in a background thread
new  AsyncTask<ViewHolder, Void, Bitmap>() {
     private  ViewHolder v;
 
     @Override
     protected  Bitmap doInBackground(ViewHolder... params) {
         v = params[ 0 ];
         return  mFakeImageLoader.getImage();
     }
 
     @Override
     protected  void  onPostExecute(Bitmap result) {
         super .onPostExecute(result);
         if  (v.position == position) {
             // If this item hasn't been recycled already, hide the
             // progress and set and show the image
             v.progress.setVisibility(View.GONE);
             v.icon.setVisibility(View.VISIBLE);
             v.icon.setImageBitmap(result);
         }
     }
}.execute(holder);

3. 优化item布局,尽量优化子view布局不被过渡重绘,每一点子view的优化都能提高整体的性能

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