iOS图片轮播器

第一次写博客。。。
小小的试验一下。。。

图片轮播器。
代码记录:

ViewController.m 文件中(局部):

#import "SONGTgHeaderView.h" // 添加图片轮播
- (void)viewDidLoad {
    [super viewDidLoad];
    self.tableView.rowHeight = 90;

    // 设置footerView
    SONGTgFooterView *footer = [SONGTgFooterView footerView]; // -----7
//    footer.controller = self; // -----8
    footer.delegate = self;
    self.tableView.tableFooterView = footer;

    //设置headerView (添加图片轮播)
    self.tableView.tableHeaderView = [SONGTgHeaderView SONGTgHeaderView];
}

SONGTgHeaderView.h 文件下的代码

#import <UIKit/UIKit.h>

@interface SONGTgHeaderView : UIView
+(instancetype)SONGTgHeaderView;
@end

SONGTgHeaderView.m 文件下的代码

#import "SONGTgHeaderView.h"
#define imageCount 5

@interface SONGTgHeaderView() <UIScrollViewDelegate>
@property (weak, nonatomic) IBOutlet UIScrollView *scrollView; // 拖线
@property (weak, nonatomic) IBOutlet UIPageControl *pageControl; // 拖线
@property (nonatomic,strong) NSTimer *timer;

@end

@implementation SONGTgHeaderView

+(instancetype)SONGTgHeaderView {
    return [[[NSBundle mainBundle] loadNibNamed:@"SONGTgHeaderView" owner:nil options:nil] lastObject];
}

// 当一个对象从xib中创建初始化完毕的时候就会调用一次
-(void)awakeFromNib {
#pragma mark 图片可以滚动
    CGFloat imgY = 0;
    CGFloat imgW = self.scrollView.frame.size.width;
    CGFloat imgH = self.scrollView.frame.size.height;

    for (int i = 0; i<imageCount; i++) {
        UIImageView *imageView = [[UIImageView alloc] init];
        CGFloat imgX = i * imgW;
        imageView.frame = CGRectMake(imgX, imgY, imgW, imgH);
        NSString *name = [NSString stringWithFormat:@"ad_0%d",i];
        imageView.image = [UIImage imageNamed:name];

        [self.scrollView addSubview:imageView];
    }

    // 滚动范围
    self.scrollView.contentSize = CGSizeMake(imageCount * imgW, 0);
    // 在拖拽到一半时,自动分页
    self.scrollView.pagingEnabled = YES;
    // 设置pageControl页数
    self.pageControl.numberOfPages = imageCount;
    // 添加定时器
    [self addTimer];
}

// 添加定时器
-(void)addTimer {
    self.timer = [NSTimer scheduledTimerWithTimeInterval:2.0 target:self selector:@selector(autoplay) userInfo:nil repeats:YES];
    // 优先级:
    [[NSRunLoop currentRunLoop] addTimer:self.timer forMode:NSRunLoopCommonModes];
}

// 暂停定时器
-(void)removeTimer {
    [self.timer invalidate]; // invalidate:使无效
    self.timer = nil;
}

#pragma mark - 转换图片方法
// 自动播放
-(void)autoplay {
    NSInteger page;
    if (self.pageControl.currentPage == imageCount - 1) { // 如果是最后一张图片
        page = 0; // 自动轮播到第一张图片
    }else {
        page = self.pageControl.currentPage + 1; // 或者,轮播下一张图片
    }

    // scrollView滚动位置
    CGFloat offsetX = page * self.scrollView.frame.size.width;
    CGPoint offset = CGPointMake(offsetX, 0); // 水平方向滚动,X是当前页数乘以宽度,Y是0。
    [self.scrollView setContentOffset:offset animated:YES];
}

#pragma mark - 代理方法
// 将pagecontrol 与图片捆绑 (显示分页点)
-(void)scrollViewDidScroll:(UIScrollView *)scrollView {
    CGFloat scrollW = scrollView.frame.size.width;
    int page = (scrollW *0.5 + scrollView.contentOffset.x) / scrollW;
    self.pageControl.currentPage = page;
}

// 开始拖拽
-(void)scrollViewWillBeginDragging:(UIScrollView *)scrollView {
    [self removeTimer];
}

// 结束拖拽
-(void)scrollViewDidEndDragging:(UIScrollView *)scrollView willDecelerate:(BOOL)decelerate {
    [self addTimer];
}

@end

xib:
Page Control 不能在Scroll View 内部

效果图:
无视下方tableview = =

深度学习是机学习的一个子领域,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,一个生成和一个判别,它们相互竞争,生成生成数据,判别评估数据的真实性。 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。
深度学习是机学习的一个子领域,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,一个生成和一个判别,它们相互竞争,生成生成数据,判别评估数据的真实性。 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