ios developer documentation -- UIScrollView

UIScrollView

允许滚动和缩放其包含视图的视图。

概述

UIScrollView是几个UIKit类包括表格和UITextView父类。

一个UIScrollView对象的中心概念(滚动的视图):它是一个视图,其内容在scrollview上是可调的。它将内容剪辑到帧中,通常(但不一定)与应用程序的主窗口相一致。滚动视图跟踪手指的运动,并相应地调整原点。“滚动”视图显示内容的视图基于新的原点绘制该部分,该新原点被固定在内容视图中的一个偏移量上。除了显示垂直和水平滚动指示器外,滚动视图本身不绘图。滚动视图必须知道内容视图的大小,以便知道何时停止滚动;默认情况下,滚动超出内容的范围时会有一个“反弹”的效果。

它可以管理内容绘制在滚动视图里显示,还可以管理里面的子视图,它的视图不应超过屏幕的大小。当用户滚动,在滚动视图,它肯定会添加和删除子视图。

因为滚动视图没有滚动条(当然你可以让它显示),它必须知道触摸信号的意图滚动与意图在内容跟踪视图。为了做出这个决定,它会暂时关闭一个触屏事件,启动计时器,在计时器触发之前,看看触摸手指是否有任何移动。如果定时器没有位置的明显变化,滚动视图发送跟踪事件的摸子视图的内容视图。如果用户然后拖动手指足够远的在时间的流逝,滚动视图的子视图取消任何跟踪和执行滚动本身。子类可以重写touchesshouldbegin:事件:incontentview:,pagingenabled,和touchesshouldcancelincontentview:方法(称为滚动视图)如何影响滚动视图处理滚动手势。

滚动视图还可以处理内容的缩放和平移。当用户进行捏或夹出手势时,滚动视图会调整内容的偏移量和缩放比例。当动作结束,对象管理内容观应在必要时更新的内容视图。(注意姿势和手指仍然可以下来。)而手势是在进步,滚动视图不发送任何跟踪调用子视图。

UIScrollView类有委托协议,必须采取uiscrollviewdelegate协议。如果用于缩放和平移工作,委托必须实现两viewforzoominginscrollview:和scrollviewdidendzooming:withview:atscale:;此外,最大(maximumzoomscale)和最小(minimumzoomscale)缩放比例必须是不同的。

状态保存

如果你对这个restorationidentifier属性指定一个值,它试图保持其滚动相关的信息之间的应用程序启动。具体而言,该zoomscale,contentinset值,和contentoffset属性保存。在恢复过程中,滚动视图恢复这些价值观使内容出现滚动到原先的位置。有关如何保存和恢复状态的更多信息,请参见ios的应用程序编程指南。


参考文献:Apple developer documentation


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