Android开发---Activity的LaunchMode,深入理解android任务栈

1,Standard:

1.标准模式,每次启动都会创建新的Activity,不论是否已经在任务栈内存在。一个任务栈中可以有多种实例,每个实例可以属于不同的任务栈。在此模式下谁启动了此Activity,那么当前的Activity就存在于启动它的Activity的任务栈内。例如A的任务栈为a,现在A启动B(Standard模式)。那么此时的任务栈a中存在两个Activity实例,下图说明栈与activity的关系:

2.下面我们模拟上图过程。我们创建2个Activity,MainActivity为A,SecondActivity为B,我们通过A启动B,A,B都为Standard模式。我们通过adb shell dumpsys activity

上图可以看出A,与B。处于一个任务栈内。任务栈为52916aac。栈顶为SecondyActivity 即B。若我们通过B继续启动B。

我们可以看出啊此时在一个任务栈内有三个Activity,A->B->B  即使栈内存在同样会创建该Activity。

如果。

3.注:如果该模式为standard模式启动,如果我们用ApplicationContext去启动SecondActivity此时会报以下错误:

       

此时可以解释此错误的出现,非Activity类型的Context例如applicationContext是没有所谓的栈的,所以出现此错误,解决方法即为待启动Activity添加FLAG_ACTIVITY_NEW_TASK 标志位,这样就可以创建一个任务栈。


2.SingleTop

        栈顶复用模式,

         1)如果Activity已经位于栈顶,那么他是不会被重新创建的,但是会调用它的onNewIntent方法,通过此方法我们可以获得请求信息,

         2)如果该activity不在栈顶则会重新创建Activity,例如栈内ABCD四个Activity.A位于栈底,D位于栈顶。此时如果再次启动D,D的启动模式为SingleTop。则D不会重新创建。若D为Standard模式则会重新创建Activity D。此时栈内为ABCDD.

      


3.SingleTask

         栈内复用模式,即此模式下只要Activity存在栈中,无论你多少此启动该Activity都不会重新创建。与SingleTop一样也会调用onNewIntent方法。系统是如何去处理的呢?

         1)系统首先寻找是否存在Activity所需要的栈。

                  (1)如果存在Activity所需要的栈则判断栈内是否有相同的Activity实例存在,若存在则不会创建,并把Activity调到栈顶(a.在栈顶则不处理,若不在栈顶则执行clearTop操作把所有在当前启动的Activity的从栈内移除)。若栈内不存在则会创建,然后入栈。

                  (2)如果Activity所需的栈不存在,则会创建栈,并将创建的Activity入栈,此时他已经位于栈顶。

       2)例如:

                  (1)假设当前任务栈为Task1,内部存在ABC三个实例(底-----顶),这个时候D以SingleTask启动,其所需的任务栈为

                          Task2.。  此时系统发现Task2,以及D的实例均不存在,此时会创建Task2,并将Activity D 入栈Task2。

                  (2)此外,如D所请求的栈是Task1,因为Task1已经存在,系统接着判断栈内是否存在D实例,如(1)不存在D此时系 

                           统会创建Activity D并入栈操作。此时Task1的内部为ABCD

                   ( 3 )如果D请求的任务栈为Task1.且此时Task1存在栈内情况为ADCB,根据栈内复用原则,此时D不会创建,系统会把D切

                          换到栈顶,并调用onNewIntent方法。同时默认存在clearTop所以此时CB会依次出栈,此时D来到栈顶。最后Task1的

                          栈内情况为AD。


                   补充说明任务栈可以有多个,此时分为前台任务栈与后台任务栈SingleTask模式,如上图,当前那个Activity可见,则其所 在的栈为前台栈

反之则为后台栈。如上图Activity1,2所处的栈则为前台栈,ActivityY,X则为后台任务栈。如图所示此时若启动Y,则整个后台栈都会一起切换到前台,如果是启动X则不一样了。会直接到上图第三步。

模拟下上图过程,MainActivity ,SecondActivity,ThirdActivity都以singleTask启动,第一个位于com.ysj.task0中,第二第三位于

com.ysj.task1。我们通过TaskAffinity属性来指定SingleTask模式Activity的任务栈。


我们通过adb shell dumpsys activity 命令来看看第四步结果是否与上图分析所得一致。


如 上图所示,上面com.sdy.task为前台栈且栈内元素为ThirdActivity,与SecondActivity,且ThirdActivity位于栈顶。后台栈

com.sdy.task0.中只有MainActivity。

接着我们来模拟使得com.sdy.task1切换到后台栈,com.sdy.task0切换到前台,我们接着上面流程进行第五步,接着我们分别跳转到

后台栈的ThirdActivity,与SecondActivity看看两种不同情况下,安卓系统是如何处理的。

4.SingleInstance;单例模式。它具有所有的SingleTask所具有的属性。另外Activity能单独位于任务栈内。例如当A启动以SingleInstance模式。此时系统会为其创建task。。然后A单独位于任务站内,后续的请求都不会创建新的A实例,除非这个任务栈被销毁了。同时假如A以SingleInstance模式启动,此时再用A启动Standard模式的B,B也不会再A的栈内,会自己重新创建一个栈。所以说SingleInstance是单独占据一个任务栈的。




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,这些特征对于像和语音识别、自然语言处理、医学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,如像。它们使用卷积层来提取像的特征。 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