ios 中零散的小功能

tableview自带的删除cell的功能
当我们的控制其实现了UITablleViewDelegate,然后在调用tableview的setEditing:animated:的时候
[myTableView setEditing:!myTableView.editing animated:YES];
就会自动的调用tableView: editingStyleForRowAtIndexPath:
这两个是UITableView的代理方法:

-(UITableViewCellEditingStyle)tableView:(UITableView *)tableView editingStyleForRowAtIndexPath:(NSIndexPath *)indexPath
{
    if (tableView.editing) {
        return UITableViewCellEditingStyleDelete;
    }else{
        return UITableViewCellEditingStyleNone;
    }
}

根据他的返回值来决定我们tableview的样式:

UITableViewCellEditingStyleDelete对应的样式,我们可以通过tableView的editing来区分当前显示的样式

当我们的点击Delete时会自动的调用 tableView:commitEditingStyle:editingStyle forRowAtIndexPath:

-(void)tableView:(UITableView *)tableView commitEditingStyle:(UITableViewCellEditingStyle)editingStyle forRowAtIndexPath:(NSIndexPath *)indexPath
{
    testNum--;
    [tableView reloadData];//布局bug
}
在这个方法里面利用deleteRowsAtIndexPaths:(NSArray) withRowAnimation:方法删除cell

其中NSArray是一个NSIndexPath的数组可以删除多个cell

kvo(键值监听):

我们利用kvo实现程序之间的通讯,他的优点就是可以监听到模型对象中的值得变化.适合做视图的更新功能等.

这里说说他和代理和通知之间的不同,对于代理我们的程序要检测到一个对象模型中数据的变化,就需要在对象模型中拥有控制器的引用,当模型数据改变的时候通知控制器,然而控制器的数据来源有事模型,所以也要有模型的引用,这样一开,就造成了互相的引用.对于通知来说每当模型中数据改变的时候都需要向通知中心发送消息,这样显然还需要通过消息中心来实现通知,比较繁琐.而kvo就是解决这里问题的比较好的方法.当Model中的数据在某处修改了,引用到他的控制器就会收到监听,从而可以自己作调整.

用到的方法:

-(void)addobserver:(监听者)forkeypath:(被监听模型的成员字段):options:context://被监听的模型调用这个方法

-(void)removeobserver:forkeypath://对象销毁是删除监听


-observievalueforkeypath:(被监听模型的成员字段)ofobject:(被监听的对象)changes:(新数据的数组key:new,old)context;//需要控制其重写的方法

我们在实现的时候只要在控制器中引用了模型,并调用模型的添加kvo监听方法,最后重写回掉的方法,这样当模型的数据被修改是,我们的控制器就会自动的做出反映了

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