MVP for Android: 如何组织显示层的内容

MVP(Model View Presenter)模式是从众所周知的MVC(Model View Controller)模式中派生出来的,目前在Android开发中变得越来越重要。越来越多的人在谈论MVP,但实际上可靠的、结构化的资料很少。这就是我写这个博客的原因,通过它鼓励大家讨论,然后把我们学到的MVP知识以最好的方式应用到我们项目中来。

什么是MVP?

MVP模式允许从业务逻辑中拆分出表示(presentation)层,因此,所有关于UI界面的东西可以从中分离出来。理想的MVP模式就是在相同的逻辑下,由于View是可互换的,可以有完全不一样的展示效果。首先要澄清的是MVP并不是体系结构模式,它只负责表示层。在任何情况下,我们都可以在项目中使用它。


为什么要使用MVP?

在Android开发中有一个问题是来源于Android 中逻辑接口与数据访问机制是紧密耦合的,我们可以找到像CursorAdapter这样极端的一个例子,这是一种混合式适配器,它既融合了适配器,又有View的成分,而cursor很大程度上应该是访问层的,所以应该降低数据访问层的深度。

为了我们的应用程序便于扩展和维护,我们应该定义各个分离层。毕竟我们还不知道以后会加入什么逻辑,是从数据库检索数据?还是从Web Service获取?所以我们必须重做整个视图。

MVP模式使得视图独立于我们的数据源,我们可将应用程序划分为至少三个不用的层次,便于我们能够独立测试他们。采用MVP模式我们可以把大部分的逻辑从Activity中分离出来,使得我们可以不用借助单元测试(instrumentation)来单独测试它。


如何把MVP应用到Android?

一切问题开始变得更加分散,有点复杂了。实现MVP的方式有很多种,我们每个人都可以根据自己的需求和自己喜欢的方式去修改MVP的实现方式,它可以随着Presenter的复杂程度变化。比如在View中需不需要控制进度条?或者是在Presenter层处理?谁来决定Action Bar该显示什么操作?这是一个艰难的决定。这里我会展示我自己的做法,但是我希望本文成为一个讨论如何应用MVP的地方,因为目前为止还没有实现MVP的标准方式。


Presenter
Presenter主要作为沟通View和Model之间的纽带,它从Model层取数据,返回给View层,但它不像典型的MVC结构,因为它也可以决定与View层的交互操作。


View
View通常来说是由Activity实现的(或者是Fragment,View,这取决于app的整体结构),它会包含一个Presenter的引用,最理想的Presenter是由一个依赖注入管理器提供,比如Dagger,不过如果不用依赖注入管理器的话,就需要独立创建Presenter对象了。View要做的事情就仅仅是在每次有接口调用的时候(比如按钮点击后)调用Presenter提供的方法。


Model
对于一个结构化的APP来说,Model主要是通向主领域层或者逻辑层的入口,如果使用了Uncle Bob clean architecture的话,Model就可能是一个实现了用例场景的交互工具,这也是我将要在另一篇文章中讨论的一个主题。现在,只要把它看做是给View提供数据的容器就可以了。


例子
鉴于已经解释的太长了,本人写了一个例子an MVP example on Github ,包含一个登录界面,可以验证数据然后进入一个带有列表的主界面,数据来自Model,因为这个例子比较简单,所以本文就不讲解代码了,但是如果读者觉得还是很难理解的话,我还可以再写一篇文章详细介绍。


总结
在Android上要分离接口和逻辑其实不容易实现,但是Model-View-Presenter模式可以更轻易的防止在大的项目中的Activity中掺杂太多的代码,组织好代码结构是开发的最基本的要求,否则,想实现代码的稳定性和可扩展性就很麻烦了了。

原文:MVP for Android: how to organize the presentation layer

另附:Android框架模式之MVC与MVP

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,它是由多个组成的网络结构,包括输入、隐藏和输出。每个由多个神经元组成,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,信息从输入流向隐藏,最终到达输出。 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