《Androi Studio实战》学习笔记(三)

本文是《Android Studio实战》学习笔记的第三部分,涵盖了货币实验的实现,包括MainActivity的功能、ArrayAdapter的使用、视图行为的代理、共同偏好及Android并发的处理,特别是如何使用AsyncTask进行异步任务。还介绍了菜单创建、事件处理、Spinner绑定、共同偏好管理和并发原则,如避免阻塞UI线程和更新UI的最佳实践。
摘要由CSDN通过智能技术生成

第十章 货币实验:第2部分

      重点关注MainActivity的功能并完成该App;使用ArrayAdapter把字符串数组绑定到选择列表;使用Android Srudio把视图行为的处理代理到包含他们的Activity;学习如何使用共同偏好以及资源;学习Android中的并发,尤其是如何使用AsynsTask;修改布局并使用Android Studio生成可绘制资源。

10.1定义MainActivity的成员

       首先在MainActivity类中定义activity_main.xml布局文件中对应视图的引用,然后将对象赋值给它们。

       *我们仅在MainActivity里面为activity_main.xml中那些之前已经分配了ID的视图定义引用。

        *setContentView(R.layout.activity_main)语句会使用activity_main.xml中包含的视图进行填充。

         *在Android中,单词inflate表示当Android遍历activity_main.xml布局中定义的视图时,它会将每个视图初始化为对上的Java对象。

         *如果View对象有ID,那么Android将会把对象的内存位置与其ID关联起来。

          *这种联系可以在自动生成的名为R.java的文件中找到,它是资源和Java源文件的桥梁。

         在把布局及其所有视图填充到内存空间中以后,通过调用findViewById()方法并传入ID值可以把这些对象赋值给我们之前定义的引用。findViewById()方法返回一个View兑现个,它是Android中所有View和ViewGroup的祖先;而这也是我们需要将其返回值转换成适当View子类的原因。

10.2从bundle中解压出货币代码

10.3创建选项菜单

       app:showAsAction属性决定了菜单项的位置。将此属性设置为never,表示此菜单项永远不会出现在操作栏上,而是总出现在溢出菜单中。(溢出菜单有操作栏右侧三个竖直的点来表示)

       android:orderInCategory用于设置菜单项的次序。Android中的约定是使用100的倍数,例如可以用250在200和300之间插入一个新的菜单项。orderInCategory属性必须是整数,因此如果开始时使用诸如2和3这样的连续值,那么将会没有插入中间值的空间,而我们也不得不重新排序整个集合。

10.4实现选项菜单行为

       要求用户授权并获得对设备网络状态的访问权限。

10.5创建spinner_closed布局

       为处于关闭状态的选择列表创建布局

10.6将mCurrencies绑定到选择列表

       我们需要将mCurrencies绑定到选择列表。uao实现此功能,我们将使用一个名为ArrayAdapter的类。

       ArrayAdapter构造函数接受三个参数:上下文、布局和一个数组

10.7将选择列表行为代理给MainActivity

       Java事件模型极其灵活。

        我们可以将时间的处理代理到实现了相应监听器接口的任意对象。

        如果视图是唯一的,那么将其行为处理代理到一个匿名内部类是有意义的。

        然而如果布局中包含相同类型的多个视图,比如Currencies App中包含两个或更多个选择列表这种情况,那么将这些视图的处理代理到包含它们的类通常是更为简便的方法。

10.8创建偏好管理器

        可以将共同偏好保存在用户设备上的文件中。这种文件是序列化的哈希表࿰

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