猴子的android规范



包命名规范


采用反域名命名规则,包名全部小写,连续的单词只是简单地连接起来,不使用下划线,一级包名为com,二级包名为xxx(可以是公司域名或者个人命名),三级包名根据应用进行命名,四级包名为模块名或层级名。如:

com.isa.crm.activity | com.isa.rm.adapter


JAVA类命名规范


采用大驼峰式命名法,尽量避免缩写,除非该缩写是众所周知的,比如HTML,URL,如果类名称包含单词缩写,则单词缩写的每个字母均应大写。如:

Product | ProductManager |

ProductListActivity | ProductListAdapter | JsonHTTPSRequest



接口命名规范


命名规则与类一样采用大驼峰命名法,多以able或ible结尾。如:

interface Runable | interface Accessible

回调用的接口以Listener结尾。如:

interface  OnClickListener | interface OnCreateContextMenuListener



成员变量命名规范


采用小驼峰命名法,使用Google推荐命名方法。如:

private String mUserName;


常量命名


常量使用全大写字母加下划线的方式命名。如:

private static final int GROUP_ID_TOPIC_CARDS = 30;

private static final int GROUP_ID_THEME_CARDS = 40;


控件实例命名


采用小驼峰命名法,使用Google推荐命名方法,这会和布局文件中的控件id不一致。如:

在布局文件中 Button 的id为: 

android:id="@+id/btn_pay"

private Button mPayButton;


方法命名规范


动词或动名词,采用小驼峰命名法。如:

run(); | onCreate(); | syncProducts();



布局文件(Layout)命名规范


全部小写,采用下划线命名法。其中{module_name}为业务模块或是功能模块等模块化的名称或简称。

这么写的话,会比较方便的在代码中使用,也比较方便在布局文件中查找。


activity layout: activity_{module_name}_{名称} ,如:

activity_home_shopping.xml


fragment layout: fragment_{module_name}_{名称} ,如:

fragment_home_shopping.xml


dialog layout: dialog_{module_name}_{名称} ,如:

dialog_home_loading.xml


包含项布局命名:include_{名称} ,如:

include_head.xml


adapter的子布局: item_{module_name}_{名称} ,如:

item_home_order.xml


widget layout: widget_{module_name}_{名称} ,如:

widget_home_shopping_detail.xml



资源id命名规范


命名模式为:{view缩写}_{module_name}_{view的逻辑名称},如:

首页实时用车模块布局 LinearLayout 的布局id –> ll_home_realtime

首页广告位的 ImageView 的布局id –> iv_home_banner


图片资源文件命名规范

这样写的话,会在代码中比较方便的关联出来,不需要记住图片的名字,只要打出ic就可以关联出一大堆,然后根据模块名过滤,就比较方便的定位出一个图片资源。要知道程序员的大脑是用来进行逻辑计算的,并不是用来存储工具可以帮助完成的事情的。

图标命名:ic_{module_name}_{名称} ,如:

ic_home_realtime.png


背景图片命名: bg_{module_name}_{名称} ,如:

bg_home_navbar.png


按钮Button命名: btn_{module_name}_{名称} ,如:

btn_home_login_normal.png

btn_home_login_pressed.png

btn_home_login_disabled.png


按钮checkbox图片命名:checkbox_{module_name}_{名称} ,如:

checkbox_home_agreement_normal.png

checkbox_home_agreement_selected.png


其他图片命名:{名称}_{module_name},如:

banner_home.png



代码风格


大括号问题:

if (hasMoney()) {

 

} else {

 

}


空格问题:


if else | while | 运算符两端 等后面需用空格隔开。例如:

if (hasMoney()) {

 

} else {

 

}

 

for (int i = 0; i < 10; i++) {

 

}



方法参数


当方法参数数量过多时(一屏能看完),需进行换行处理.


注释


必须要对所有实例变量、类常量进行注释说明,如

// 比较长的注释,就像这样的

private String userName // 短注释


必须对所有的类、接口进行注释说明,如:

/**

* Activity基类

*

*/

public class BaseActivity extends Activity

{

 

}


必须对所有的方法进行注释说明 父类的方法子类不需注释,接口的方法,实现类不需注释  ,如

/**

* 请求

*

* @param path 路径

* @param generalParams 基本参数

* @param businessParams 业务参数

* @return 请求结果

* @throws ApiException 请求错误则返回该异常

*/

public Map<String, Object> request (String path,

              Map<String, Object> generalParams,

              Map<String, Object> businessParams) throws ApiException {

 

   return null;

}



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。
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