Activity的生命周期

Android生命周期


这是Google提供的官方文档,我们一点点解析这张图的意义。

以刚刚建立Activity为例
onCreate

这个方法是在Activity刚刚建立时会调用的方法,一般在这里执行一些方法的初始化,最重要的是视图资源文件的绑定:setContentView()方法的调用。

onStart

在onCreate执行完毕后会执行此方法,此时Activity已经完全建立,只是还没有显示在前台

onResume

在onStart执行完毕后会执行此方法,此时Activity已经显示到前台,Activity建立完毕,供用户使用与交互。在另一个Activity被建立之前或者本Activity被销毁之前,Activity一直驻留在此方法。

onPause

此时Activity开始停止,但是Activity还在前台,可以做一些轻量的资源回收工作,但是注意不能太耗时,因为另一个需要开启Activity,会在上一个onPause执行完之后才能执行,如果执行了耗时的操作,会影响下一个Activity的打开速度,影响用户的使用体验。同时应注意,当打开的新Activity没有完全覆盖当前Activity时,即部分透明或完全透明时,此方法会回调,但不会回调onStop方法。

onStop

此时Activity已经停止并回到后台,此时可以执行一下相对重量级的回收工作,但仍不能太过耗时,注意此时Activity对象的实例仍然存在,它保存在内存中,但是当内存不足时,系统可能会杀死当前Activity以保持系统的稳定性,下次打开时需要重建Activity而不是恢复。

onDestroy

此时Activity被销毁,Activity中的View资源被回收,在此可以进行最后的资源回收和释放,Activity死亡。

我们再来看往回指的三个过程

onStop->onRestart->onStart

这个一般是一个在后台的Activity被重新调回前台的过程,因为Activity实例还存在,所以不需再调用onCreate方法,直接恢复原有实例便可。

onPause->onResume

用户在停止当前Activity之后迅速恢复当前Activity,此时onStop还没执行,Activity直接回到onResume阶段。

onStop->onCreate

可能会出现这种方式的情况:

  1. 资源相关配置改变:比如竖屏变为横屏(更多情况可以查看Google官方的Activity文档)。
  2. 资源内存不足,低优先级进程被杀死:为了保证Android系统能够平稳的运行,保证有足够的剩余内存分配,Android系统必须及时杀死无用进程或者优先级较低的进程,来省出稀缺的内存空间。

这几种情况下,Activity会杀死,onPause、onStop、onDestroy均会被调用,而且在调用onStop之前,onSaveInstanceState方法会被调用,保存Activity视图以及View的相关状态,该方法和onPause方法没有先后顺序,当Activity重新创建时,在onStart之后onRestoreInstanceState方法被调用,收到onSaveInstanceState方法传过来的Bundle信息,取出后恢复已经保存的信息。
注意onSaveInstanceState存储的Bundle信息也会传到onCreate方法,但最好用onRestoreInstanceState方法恢复信息,因为onRestoreInstanceState只会在调用了onSaveInstanceState方法之后重建Activity是调用,所以Bundle中一定是有值的,但onCreate则不一定,需要额外添加判断是否为null的逻辑。

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