2015-09-08

在碎片中添加监听事件

RT,若想这样,在碎片布局中设置onClick=“XX”是行不通的(理由暂不明),必须先获取到碎片的Button对象,之后为其设置监听。例如触发某碎片的按钮,在其绑定类(F2)中设置监听:

    Button btn1 = (Button) getView().findViewById(R.id.f2_btn1);
    btn1.setOnClickListener(new View.OnClickListener() {
            @Override
            public void onClick(View v) {
                //要进行的操作
            }
        });

使用ArrayAdapter配合Spinner显示

arrayAdapter =new ArrayAdapter(context,R.layout.item,R.id.item_text1,arrayList);
arrayAdapter.setDropDownViewResource(R.layout.activity_f4_item);

在实例化的时候,R.layout.item为一个资源视图,R.id.item_text1是前者视图下的一个TextView,且此TextView的格式是用来显示在碎片中的,当你setDropDownViewResource()的样式的时候,你可以选择设置成视图R.layout.item,或者重新创建一个视图,不过新视图中必须要有TextView且id要与R.id.item_text1一致,否则会报空指针异常

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个简单的基于Transformer算法的代码示例,可以用来预测SNumber。 ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Dense, Dropout, LayerNormalization, MultiHeadAttention, TimeDistributed, concatenate # 加载数据 data = pd.read_csv('data.csv') X = data.drop(['SNumber'], axis='columns') y = data['SNumber'] # 标准化输入特征 scaler = StandardScaler() X = scaler.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False) # 构建Transformer模型 def transformer_model(input_shape): inputs = Input(shape=input_shape) x = Dense(64, activation='relu')(inputs) x = LayerNormalization()(x) x = Dropout(0.2)(x) x = Dense(32, activation='relu')(x) x = LayerNormalization()(x) x = Dropout(0.2)(x) x = Dense(1)(x) model = Model(inputs=inputs, outputs=x) return model # 训练模型 model = transformer_model((X_train.shape[1],)) model.compile(optimizer='adam', loss='mean_squared_error') model.fit(X_train, y_train, epochs=100, batch_size=16, validation_data=(X_test, y_test)) # 预测结果 y_pred = model.predict(X_test) # 可视化预测结果 plt.plot(y_test.values, label='True') plt.plot(y_pred, label='Predicted') plt.legend() plt.show() ``` 需要注意的是,这只是一个简单的示例,实际上可能需要进行更多的特征工程和调整模型参数来获得更好的预测结果。
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