关于碎片Fragment

我想之前很多面试官问过这个问题,你如何对不同屏幕,不同分辨率大小的屏幕进行处理,因为相同的布局到不同的屏幕上,完全就不一样了,其中一个解决方法是使用dp,dp不是确定尺度,随着不同屏幕它将会做出相对的位置,有点像是比例尺,打个比方现在放的一个按键距离左边2dp,现在换一个大两倍的设备,那么同样,放进去的比例也是一样。当然你直接调Activity也是可以的,但是只能用一次,如何多次使用在不同的设备呢,这里就涉及到了碎片问题,就是Fragment。

        Android 3.0以后引入了一个新的核心类就是Fragment,事实上我也不止被面试官问过一次这样的问题,似乎面试安卓的时候,这个问题尤为重要,当时只是涉及到,并没有深究,今天就来把Fragment好好过一遍。

【重用】重用(chong)功能是Fragment得到重用(zhong)的重要原因,毕竟大家不想辛辛苦苦写出来的东西只能用一次吧。

【横屏竖屏】本来布局为上下,作为横屏以后,你当然希望它能合理的成为左右,但是在小的屏幕上,这样的情况就很“尴尬了”虽然两个都出来了,但是都挤得很,于是我就想到分页,左右滑动来看这两个页面,对的碎片的概念非常接近于分页,其实作为Activity也能做到这样的功能,只是大材小用了。最重要的是,当用户点了back键以后,就真的是退出了。而碎片,点了这个back后,还在这个活动中。

 

【碎片的生命周期】



 碎片虽然有自己的生命周期,终归来说还是依附于Activity,具体代码实现就可以提现出这一点,这个你可以以去看我上一篇博客,老大与小弟的故事。

碎片被创建时:onAttach()-->onCreate()-->onCreateView()-->onActivityCreated();

碎片进入后台模式时:onPause()-->onStop();

碎片变为可见时:onStart()-->onResume();

碎片被销毁时:onPause()-->onStop()-->onDestroyView()-->onDestroy()-->onDetach();

到onDetach 的时候,该碎片就不会跟活动绑定了。资源也被释放

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