8月19日TMS开发笔记

做这个APP+WEB项目快2个月的,昨天才发觉有很多知识都没有掌握,每次需要又要重新搜索,十分费时又费力。从今天开始把自己遇到的坑都记录一下吧,给以后做个参考,也希望能给其他和我一样的小白提供点帮助。

1、String和InputStream的互转
[String to InputStream]

String content="abc";
InputStream stream = new ByteArrayInputStream(content.getBytes());

[InputStream to String]

public String inputStream2String (InputStream in) throws IOException   { 
        StringBuffer out = new StringBuffer(); 
        byte[] b = new byte[4096]; 
        for (int  n;  (n = in.read(b)) != -1;)  { 
                out.append(new String(b,   0,   n)); 
        } 
        return out.toString(); 
} 

2、删除List<>中的某些数据
删除List中某些数据的最好的方法是使用iterator.(自己的代码中掺杂了许多其他的方法,这个是引用了@骄傲的奔波儿灞 大神教程中的代码)

/** 
     * 去除未发布状态的课件,并删除其在数据库的存储 
     * @param listLessons 
     * @return 
     */  
    public static List<LessonModel> removeUnpublishedLessons(KorenpineApplication application, List<LessonModel> listLessons){  
        if(null == listLessons || listLessons.size() == 0){  
            return null;  
        }  
        LogUtils.e(TAG + "课件--removeUnpublishedLessons剔除开始--size-->" + listLessons.size());  
        Iterator<LessonModel> it = listLessons.iterator();   
        LessonModel model = null;  
        while (it.hasNext()) {    
            model = it.next();    
            if (model.getStatus() != 1)  {  
                /*课件未发布,剔除*/  
                LessonModelDB.newInstance(application).deleteByCourseIdAndLessonId(model.getCourseid(), Integer.parseInt(model.getId()));  
                LogUtils.d(TAG + "课件--removeUnpublishedLessons剔除-->" + model.getId());  
                it.remove();    
            }  
        }   
        LogUtils.e(TAG + "课件--removeUnpublishedLessons剔除结束--size-->" + listLessons.size());  
        return listLessons;  
    }  

3、另外Android进行HTTP访问时session的问题一直困扰了我很久,之前做的时候就先把session无视掉了,实验了众多方法,okhttp我认为是最好的方案,但是无奈当时对方法调用和回调理解太过浅薄,同步和异步的问题没有解决,也就索性放一边。最近突然又脑子一热找到了解决办法,此时的APP功能已经全部完整,开始回头改代码,简直是一段血泪史,要讲所有的老HTTP访问更换成okhttp的访问,跟重做有的一拼了。

4、现在回过头看自己以前的代码,特别有想重写的冲动,耦合度太高、逻辑性又差,改起来十分不方便,特别是一些变量和函数命名不规范,备注又少,导致自己阅读起来都十分困难。以后写代码还是得规范一点,免得给以后埋太多坑。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能出一定的优化。.zip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