mvp 小实践

mvp模式下:


Activity 和Fragment 视为View层,负责处理 UI。
Presenter 为业务处理层,既能调用UI逻辑,又能请求数据,该层为纯Java类,不涉及任何Android API。

Model 层中包含着具体的数据请求,数据源。

google的demo中使用了契约类将mvp分为Activity、Fragment、Contract、Presenter四种类文件。view由Activity承担,Presenter做业务,结构清晰。

mvp的使用可以根据项目来做相应的调整:

举个例子:查询数据库数据展示在列表上,Ui需要展示的就是

void showProgress();//展示加载动画

void hideProgress(); //关闭加载在动画

void updateList(List<StepData> list); //加载数据


为了方便更加清晰的管理自己的代码,我也增加了一个约定类,使用契约类来统一管理view与presenter的所有的接口,这种方式使得view、presenter和model中的功能,一目了然。

 mvp负责的逻辑一目了然。

public class HistoryContract {

    public interface IPresenter     {
        void loadData(Context context);
        void onDestory();
    }

    public interface IView {
        void showProgress();

        void hideProgress();

        void updateList(List<StepData> list);

    }

    public interface IModel {
        void loadList(Context context, LoadHistoryListListener listener);
    }
}

   
   model来处理具体的数据请求,数据源,在model层中我处理的是查询数据库的操作。

     LoadHistoryListListener将model的数据回调给persenter。

public class HistoryModelImpl implements HistoryContract.IModel{
    
    @Override
    public void loadList(Context context, LoadHistoryListListener listener) {
        if(DbUtils.getLiteOrm()==null){
            DbUtils.createDb(context, "jingzhi");
        }
        List<StepData> list =DbUtils.getQueryAll(StepData.class);
        Logger.d("stepDatas="+list);
        listener.getList(list);
    }
}
        persenter在mvp中担任的就是负责业务逻辑的的处理,当然可以根据项目的实际情况,将网络请求 和数据源放在persenter中,建议放在model中将业务逻辑和ui分开。persenter将model层和view关联起来。
   
public class HistoryPersenterImpl implements HistoryContract.IPresenter ,LoadHistoryListListener{

    HistoryContract.IView view;
    HistoryModelImpl model;

    public HistoryPersenterImpl(HistoryContract.IView view) {
        this.view = view;
        model = new HistoryModelImpl();
    }

    @Override
    public void loadData(Context context) {
        view.showProgress();
        model.loadList(context,this);
    }

    @Override
    public void onDestory() {
        view = null;
    }


    @Override
    public void getList(List<StepData> list) {
         view.updateList(list);
    }
}

在acticvity中的使用:

Activity在项目中是一个全局的控制者,负责创建view以及presenter实例,并将二者联系起来。

用是Presenter通过model获取数据并调用View的方法来刷新界面。调用的时机是在acitivity主线程中。

public class HistoryActivity extends BaseActivity implements HistoryContract.IView{
    @BindView(R.id.rl_recyclerView)
    RecyclerView rl_recyclerView;
    @BindView(R.id.img_back)
    ImageView img_back;
    @BindView(R.id.tv_title)
    TextView tv_title;
    HistoryAdapter adapter;

    HistoryPersenterImpl historyPersenter;
    @Override
    public int getContentViewId() {
        return R.layout.activity_history;
    }

    @Override
    public void initView() {
        tv_title.setText("步数记录");
        historyPersenter = new HistoryPersenterImpl(this);

    }

    @Override
    protected void obtainData() {
        historyPersenter.loadData(this);
    }

    @OnClick(R.id.img_back)
    void OnClick(View v){
        switch (v.getId()){
            case R.id.img_back:
                finish();
                break;
        }
    }

    @Override
    protected void initEvent() {

    }

    @Override
    public void showProgress() {
     MyDialog.show();
    }

    @Override
    public void hideProgress() {
        MyDialog.hide();
    }

    @Override
    public void updateList(List<StepData> list) {
        rl_recyclerView.setLayoutManager(new LinearLayoutManager(this));
        if(adapter==null)
            adapter = new HistoryAdapter(list,getContext());
        rl_recyclerView.setAdapter(adapter);
    }
}

  end



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