Android - 蜗牛进度条

友好的界面可以给用户留下深刻印象,为APP加分,今天实现的这个进度条,以蜗牛爬动的方式告诉用户当前进度,体验比较棒,这里分享一下。

这里创建一组帧动画作为进度条的标志,如下:

<?xml version="1.0" encoding="utf-8"?>

<animation-list xmlns:android="http://schemas.android.com/apk/res/android"
   android:oneshot="false">
   <item android:drawable="@drawable/s1" android:duration="300" />
   <item android:drawable="@drawable/s2" android:duration="300" />
   <item android:drawable="@drawable/s3" android:duration="300" />
   <item android:drawable="@drawable/s4" android:duration="300" />
   <item android:drawable="@drawable/s5" android:duration="300" />
</animation-list>

设置了onshot属性值为false,保证动画可以一直循环。这里添加了5张图片,每隔300毫秒进行轮换,会形成一组流畅的动画。

自定义View继承自Seekbar,如下:

public class SnailBar extends SeekBar {

public SnailBar(Context context) {
super(context);
       init();
   }

public SnailBar(Context context, AttributeSet attrs) {
super(context, attrs);
       init();
   }

public SnailBar(Context context, AttributeSet attrs,
                   int defStyleAttr) {
super(context, attrs, defStyleAttr);
       init();
   }

private void init() {
setMax(100);//设置最大进度
       setThumbOffset(dip2px(getContext(), 20));
       setBackgroundResource(R.drawable.sbg);//设置背景
       int padding = dip2px(getContext(),(float)20);
       setPadding(padding, padding, padding, padding);//设置内边距
       setProgressDrawable(getResources().
getDrawable(R.drawable.snailbar_define_style));
   }

@Override
   protected void onAttachedToWindow() {
super.onAttachedToWindow();
       AnimationDrawable drawable =
(AnimationDrawable)this.getThumb();
       drawable.start();
   }

public int dip2px(Context context, float dpValue) {
final float scale = context.getResources()
.getDisplayMetrics().density;
       return (int) (dpValue * scale + 0.5f);
   }
}

在布局文件中引入这个控件,代码如下:

<RelativeLayout xmlns:android="http://schemas.android.com/apk/res/android"
   android:layout_width="match_parent"
   android:layout_height="match_parent"
   android:background="#deeaeb">

   <LinearLayout
       android:layout_width="match_parent"
       android:layout_height="match_parent"
       android:gravity="center"
       android:orientation="vertical">

       <TextView
           android:id="@+id/seekbar_percent"
           android:layout_width="wrap_content"
           android:layout_height="wrap_content"
           android:layout_marginTop="10dp"
           android:text="SnailBar"
           android:textSize="24sp"
           android:textStyle="bold" />

       <TextView
           android:id="@+id/seekbar_status"
           android:layout_width="wrap_content"
           android:layout_height="wrap_content"
           android:text="snailbar status"
           android:textSize="14sp" />

       <ad.pintextview.SnailBar
           android:id="@+id/seekBar"
           android:layout_width="match_parent"
           android:layout_height="wrap_content"
           android:layout_marginTop="30dp"
           android:thumb="@drawable/snailanim"/>

   </LinearLayout>
</RelativeLayout>

在MainActivity.java中进行逻辑的控制,代码如下:

public class MainActivity extends AppCompatActivity {
private SeekBar seekBar;
   private TextView seekbar_status;
   int len = 0;

   @Override
   protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
       setContentView(R.layout.activity_main);
       seekBar = (SeekBar) findViewById(R.id.seekBar);
       seekBar.setMax(100);
       seekbar_status = (TextView) findViewById(R.id.seekbar_status);
       handler.sendEmptyMessage(1);

   }

private Handler handler = new Handler() {
@Override
       public void handleMessage(Message msg) {
switch (msg.what) {
case 1:
handleHandler();
                   break;
           }
}
};

   private void handleHandler() {
if (seekBar.getProgress() < 100) {
if (seekBar.getProgress() < 20) {
len += 2;
               handler.sendEmptyMessageDelayed(1, 500);
               seekbar_status.setText("Normal download speed.");
           } else if (seekBar.getProgress() > 21
                   && seekBar.getProgress() < 26) {
len += 1;
               handler.sendEmptyMessageDelayed(1, 1000);
               seekbar_status.
setText("Sundden speed down or disconnet...");
           } else {
len += 2;
               handler.sendEmptyMessageDelayed(1, 50);
               seekbar_status.setText("Sundden speed up.");
           }
seekBar.setProgress(len);
       }
}
}


逻辑也比较简单,用Handler自组建一个循环,首先判断进度小于20的时候每隔500毫秒发送一个Message消息(正常进度);判断进度为21-26的时候每隔1000毫秒发送一个消息(最慢进度);判断进度为27-100时每隔50毫秒发送一个Message消息(最快进度)。

运行这个实例如下:

 

通过上面的动图可以看出,笨蜗牛爬到最后的时候还在动手动脚动脑袋,似乎不太合乎情理。我们可以监听Seekbar的进度,当进度为100的时候停止动画,在上面的代码添加监听进度的代码如下:

 

seekBar.setOnSeekBarChangeListener(new SeekBar.OnSeekBarChangeListener() {
@Override
   public void onProgressChanged(SeekBar seekBar, int i, boolean b) {
if(seekBar.getProgress()==100){
AnimationDrawable drawable =
(AnimationDrawable)seekBar.getThumb();
           drawable.stop();
       }
}

@Override
   public void onStartTrackingTouch(SeekBar seekBar) {

}

@Override
   public void onStopTrackingTouch(SeekBar seekBar) {

}
});

 

每次进度变化都会不断回调方法onProgressChanged,因此在这个方法中判断若进度为100,就停止动画,这时再次运行实例如下:



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 7
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