Android Studio 快捷键 (OSX)

原文地址

AndroidStudio 已确认快捷键, 选择Keymaps: Mac OS X 10.5+

查找/替换方面:
普通查找: command+F
替换文本: command+R.
需要全局的, 都在原基础上加 Shift
SearchEverywhere: shift * 2
查找搜索结果的前/后续同名: command+G / command+shift+G
高亮显示所有选中文本: Ctrl+Shift+F7 , 按Esc高亮消失
Selete All Occurrences: ctrl + command + G
Select Next Occurrence: ctrl + G

快速打开方面:
打开文件: command + shift + O
打开近期文件: command+E
打开 Task: option+shift+N
新窗口打开文件: shift + F4

导航跳转:
跳转到上方文件导航: command+向上箭头
跳转到上一步/下一步: command+[ / command + ]
Previous /Next Occurrence: option + command + up/down
上一处编辑地点: shift + command + delete
左右切换代码标签页: command+shift+[ / Command+shift+]
跳转指定行数: command+L
添加书签: F3
添加带有数字书签点: option + F3
展示书签列表: command + F3
函数块跳转头尾: command + option + [ / ]
返回到上一个 tool window: F10 (原版 F12)

常用文本编辑:
复制整行: command + D
删除整行: command+delete, Ctrl+X
删除光标前面内容: command + delete
删除单词到头部: option + 前删除
删除单词到尾部: option + 后删除
开启新一行: shift + Enter
大小写转换: command + shift + U
从剪切板缓存中复制: command + shift + V
上下Statement行: command + shift + Up/Down
上下Line行: option + shift + Up/Down
区块只能选择: option+up/down
返回到主编辑窗口: esc
隐藏活动中的工具窗口: shift + esc

代码生成/提示方面:
基础代码生成: ctrl + space.
智能代码生成(更匹配当前上下文方法及变量): ctrl + shift + space
完成代码语句: command + shift + enter
上下文神Key, 展示意图与行为及quick fixed: option+Enter
循环推荐单词内容: option + /. option + shift + /
方法参数提示: command + P
类名或接口名提示, 简单查看本类元素. 类名填写完整: ctrl+option+Space
快速加上 If/For/While/TryCatch: command+option+T
生成代码列表: command + N
自动提示内嵌快捷键: command + J
快速代码变普通注释: command+/
快速代码变块注释/**/: command + option + /. ctrl + shift + /.

文档/信息查看方面:
查看 Doc 描述: ctrl +J / F1
简短信息查看: command
错误信息查看: command + F1
上下文信息 Context Info: ctrl + shift + Q
高亮错误或警告快速定位: F2 或Shift+F2
系统修改建议 Option+Enter:当IDE提示warning和error时,使用这个组合键查看修改建议。
展开与关闭区块: command + “+/-”
展开与关闭所有区块: command + Shift + “+/-”
关闭当前Tab: command + W

代码查找方面:
打开类: command + O
打开代码元素: command + option + O
文件结构内容(本类元素内容): command + F12
文件路径: option + command + F12

Find usages 查看全局引用: option + F7
Find usages in file: command + F7
Show usages: command + option + F7
Highlight usages in file: command + shift + F7

重载函数列表: ctrl + O
函数实现列表: ctrl + I
代码生成基础列表: command+N / Ctrl+Enter

Type Hierarchy: ctrl+H
Method Hierarchy: command+shift+H
Call Hierarchy: ctrl+option+H

show source: ctrl+Enter
跳转到声明区: command + B, command+ 鼠标点击
跳转到被实现点: command+option+B
打开快去查看查看声明描述: command+Y.
查看某个接口的实现, 查看实现类: ctrl + shift + B
查看父类或者父亲函数点: command + U
查看代码源码点: F4, command + 下箭头

Debug:
Run: ctrl + R
Debug: ctrl + D
Stop: command + F2
StepOver: F8
Force StepOver: option + shift + F8
StepInto: F7
Force StepInto: option + shift + F7
Smart StepInto:shift + F7
Step Out: shift + F8
Run to Cursor: option + F9
Resume Program: option + command + R
Evaluate Expression: option + F8
Quick Evaluate Expression: option + command + F8. option + left click
Show Execution Point: option + F10
Toggle Line Breakpoint: F8
Toggle Temporary Line Breakpoint: option+ shift + command + F8
View Breakpoints: shift + command + F8

代码重构方面:
代码快速 format: command+Option+L
整理import: ctrl + option + O
复制类: F5
移动类: F6
安全删除某个元素: command + delete
重命名: shift + F6
修改方法签名 Command+F6
重构列表: ctrl + T

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,并对系统性能做出一定的优化。.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。
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