2016.1.9 Activity的生命周期和启动模式

2016/1/9 14:32:00 Activity的生命周期和启动模式


一. Activity的生命周期

前言:Activity的生命周期分为正常情况及非正常情况。正常情况指Activity受用户操作所导致的生命周期方法的调度;而异常情况是指当系统配置发生变化以及系统内存不足时对Activity生命周期方法的调用。

1.正常情况下Activity的生命周期:

(1)onCreate

(2)onRestart:当当前Activity从不可见重新变成可见状态时调用此方法。

(3)onStart:Activity已经可见,单还未出现在前台,无法进行交互。

(4)onResume:Activity出现在前台,可以进行交互。

(5)onPause:Activity正在失去焦点,注意:onPause方法必须先执行完毕新Activity才能执行自己的方法,所以在onPause方法中不可以执行一些耗时的操作。

(6)onStop:Activity正在变得不可见,在这个方法中可以执行一些稍微重量级的工作,但同样不能太耗时

(7)onDestory:表示即将被销毁,当用户按Back键回退时最后会调用此方法,在这处理最终的资源释放工作。

2.异常情况下Activity的生命周期:

(1)系统配置发生改变导致Activity被杀死或者重新创建,例如手机横竖屏的变化。

(2)系统内存不足导致低优先级的Activity被杀死。

当Activity是在异常情况下被终止时,我们在onSaveInsantanceState方法中保存

所需要的数据,系统会在onStop之前调用onSaveInstanceState方法;在

onRestoreInstanceState(或者onCreate方法,但是官方文档建议用

onRestoreInstanceState)方法中获取保存的数据。数据的保存是通过Bundle传递

的。【扩展:Bundle可以实现跨进程之间数据的传递。】

二.Activity的启动模式

1.standard(标准模式,系统默认启动模式):每启动一次Activity都会重新创建一个新实例,无论这个Activity是否存在。被创建的新实例其生命周期中的onCreate、
onStart、onResume方法都会被调用。

2.singTop(栈顶复用模式):如果需要新启动的Activity已经位于栈顶,那么此Activity不会被重新创建,同时它的onNewIntent方法会被回调,通过此方法的参数可以取出当前请求的信息。不过它的onCreate和onStart方法不会被调用。

3.singTask(栈内复用模式):只要Activity在一个栈内存在,就不会再次创建此Activity的实例。当此Activity需要启动时,系统会清除此Activity上面所有的Activity,并回调它的onNewIntent方法。

4.singInstance(单实例模式):以此模式启动的Activity系统会创建一个新的任务栈存放它。 其实如果singTop模式指定了不同的taskAffinity也可以实现同一的效果。

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