在iOS程序中使用自定义字体

http://cocoa.venj.me/blog/custom-fonts-in-ios-apps/

 

好久没有更新这里了,今天开始慢慢恢复更新。好了,废话不多说,开始讲正题。今天的话题其实也很简单,那就是在iOS中使用自定义字体。

虽然iOS自带的字体通常已经足够我们使用了,但是,对于某些特殊程序来说,比如,电子书程序,可能需要用到一些特殊的字体,或者需要用更好看的字 体来达到我们想要的显示效果。不过,iOS是不支持系统级安装新字体的。不过在iOS 3.x中,我们已经可以用一个很简单的方法来使用自定义字体了。

我们来创建一个简单的iOS项目来做演示。在界面上拖入一个UITextView,在代码中创建一个IBOutlet指向这个UITextView。我们从OSX中找一个iOS下没有的字体,比如:PTSans.ttc(这个也是Octopress模版的默认字体,我很喜欢这个字体),拖放到项目中。

打开info.plist,增加一个新的Array类型的键,键名设置为UIAppFonts(Fonts provided by application),增加字体的文件名:“PTSans.ttc“。

然后我们就可以在程序中调用这个字体了:

1
2
3
4
5
6
- (void)viewDidLoad
{
    [super viewDidLoad];
    // 在viewDidLoad方法中设置字体。
    self.tv.font = [UIFont fontWithName:@"PT Sans" size:20];
}

下面是在iOS模拟器中的显示效果:

还不错吧。 :)

最后提醒一点,在调用字体的时候,要使用字体名。字体名不是文件名,而是字体的Family Name。Family Name可以在Font Book中查看。

本文的示例代码已经推送到Github上了。在编译示例代码前,请先复制PTSans.ttc到iPhoneCustomFont/iPhoneCustomFont目录下。

 

 

加载中文字体时  如不知道 字体名 是什么  可以  在项目中输入 所有的字体名

        NSArray *familyNames = [UIFont familyNames];

        for( NSString *familyName in familyNames ){

            printf( "Family: %s \n", [familyName UTF8String] );

            NSArray *fontNames = [UIFont fontNamesForFamilyName:familyName];

            for( NSString *fontName in fontNames ){

                printf( "\tFont: %s \n", [fontName UTF8String] );

            }

        }

可以得到 下面类似的 内容 

Family: 汉仪粗圆简 

Font: HYe4gj 

 

字体名 就是  HYe4gj

转载于:https://www.cnblogs.com/gaoxiao228/archive/2012/07/04/2576645.html

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