深度解析Android双缓冲绘图技术(值得收藏)

深度解析Android双缓冲绘图技术(值得收藏),面试必备 何谓缓冲? 在理解双缓冲的原理之前,我们先要明白,什么叫缓冲? 我们可以举一个比较通俗的粟子,比如: 工头给你一个任务,让你把50块大板砖从A处搬到距离你1000米之外的B处去。你心想,50块板砖? 小case,我一次就能扛完。于是你撸起袖子,一步一步,真的一趟就搞定了。这个时候工头一声奸笑对你说,小伙子不错,那边还有2000块砖,你也搬过去吧。。。 看到这堆积如山的砖头,你眼前一黑,这孙子真是想累死我啊,钱给这么少还干这么多活! 可是没办法呀,谁叫自己当初书读得少,长大了只能靠搬砖为生呢。正当你 阅读详情

双缓冲、多缓冲技术在计算机科学中其实是一个广义的概念,不过其本质上的意思都是差不多的。今天我们就来讲一讲双缓冲技术在android绘图中的应用。

何谓缓冲?

在理解双缓冲的原理之前,我们先要明白,什么叫缓冲?
我们可以举一个比较通俗的粟子,比如:

工头给你一个任务,让你把50块大板砖从A处搬到距离你1000米之外的B处去。你心想,50块板砖? 小case,我一次就能扛完。于是你撸起袖子,一步一步,真的一趟就搞定了。这个时候工头一声奸笑对你说,小伙子不错,那边还有2000块砖,你也搬过去吧。。。
看到这堆积如山的砖头,你眼前一黑,这孙子真是想累死我啊,钱给这么少还干这么多活!
可是没办法呀,谁叫自己当初书读得少,长大了只能靠搬砖为生呢。正当你准备徒手一趟一趟地开始干时,丰满漂亮的工头,的老婆来了,她走过来,带着迷一般的微笑。那种笑容,甜蜜优雅,仿佛春风拂过泸沽湖,秋雨浸润九寨沟,让你虎躯一震。她对你说,你开工地上的卡车把这些砖搬过去吧,2000块砖太多了,一趟一趟搬太累。
你瞬间来了精神,把砖搬到卡车上,油门一踩不带走一片云彩,一下就把2000块砖搬过去了。。。
............
“快起来,什么时候了还在睡,快去搬砖!”
该死的工头又来催!

缓冲的概念就讲到这里。

Android绘图中的双缓冲

我们知道,我们在绘图时有两样东西是少不了的,一个是Canvas(画布),一个是Paint(画笔)。Canvas提供画各种图形的方法,如画圆(drawCircle),画矩形(drawRect)等等,Paint用来设置画笔的样式,比如笔的粗细,颜色等。每个Canvas内部持有一个Bitmap对象的引用,画图的过程其实就是往这个Bitmap当中写入ARGB信息。
比如我们现在自定义一个View,在上面画一个矩形和一个圆:

@Override
    protected void onDraw(Canvas canvas) {
        canvas.drawRect(rect,mPaint);
        canvas.drawCircle(cx,cy,100,mPaint);
    }

那么现在有一个问题,画矩形和画圆是两个独立的动作,会不会在drawRect执行完之后屏幕上马上就会显示出来一个矩形呢?
为了验证我们的猜想,我们在两个绘图动作中加一个sleep:

@Override
    protected void onDraw(Canvas canvas) {
        canvas.drawRect(rect,mPaint);
        try {
            TimeUnit.MILLISECONDS.sleep(2000);
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
        canvas.drawCircle(cx,cy,100,mPaint);
    }

我们会看到,并不是先显示矩形再显示圆,而是两个几乎同时一起显示出来的。这就说明必须要等onDraw方法执行完成之后,才会把数据交给GPU去处理展示。这就是android绘图当中的第一道缓冲,即显示缓冲区。

而所谓的双缓冲,在android绘图中其实就是再创建一个Canvas和对应的Bitmap,然后在onDraw方法里默认的Canvas通过drawBitmap画刚才new的那个bitmap从而实现双缓冲。用代码简单的表述是这样的:

private void init(){
    Bitmap bufferBm = Bitmap.create(getWidth,getHeight,Bitmap.Config.ARGB_8888);
    Canvas bufferCanvas = new Canvas(bufferBm);
}

private void drawSomething(){
    bufferCanvas.drawRect();
    bufferCanvas.drawCircle();
    ...
    invalidate();
}

@Override
protected void onDraw(Canvas canvas) {
    canvas.drawBitmap(bufferBm,0,0,null);
}

示意图:

双缓冲绘图的优缺点及适用场景

我们通过一个例子来说明。
实现这样一个功能,一个自定义View,每次点击的时候在点击处画一个圆。我们先不使用双缓冲来实现:

不用双缓冲的代码:

public class MyView extends View{

    private Paint mPaint;
    private List<Point> mPoints;

    public MyView(Context context) {
        super(context);
    }

    public MyView(Context context, AttributeSet attrs) {
        super(context, attrs);
        mPaint = new Paint(Paint.ANTI_ALIAS_FLAG | Paint.DITHER_FLAG);
        mPaint.setStyle(Paint.Style.FILL);
        mPaint.setColor(Color.GREEN);
        setBackgroundColor(Color.WHITE);
        mPoints = new ArrayList<>();
    }

    @Override
    public boolean onTouchEvent(MotionEvent event) {
        int action = event.getAction();
        switch (action){
            case MotionEvent.ACTION_DOWN:
                mPoints.add(new Point((int)event.getX(),(int)event.getY()));
                break;
            case MotionEvent.ACTION_UP:
                invalidate();
                break;
        }
        return true;
    }

    @Override
    protected void onDraw(Canvas canvas) {
        for (Point p : mPoints) {
            canvas.drawCircle(p.x,p.y,50,mPaint);
        }
    }

在实验之前,我们先打开开发者选项里的”GPU呈现模式分析“,设置为“在屏幕上显示为条形图”(不同的手机可能有略微的差异,我这里用的是google Nexus5)。

可以看到,当画的圆数目比较少时,GPU的负荷较低,但是出现一个逐步上升的趋势:

内存使用情况是这样的:

当画的圆数目增加到比较大时,GPU负荷有点惨不妨睹了:

这时的内存使用情况:

我们现在改用双缓冲来绘图,代码如下:

public class MyView extends View{

    private Paint mPaint;
    private Canvas mBufferCanvas;
    private Bitmap mBufferBitmap;

    public MyView(Context context) {
        super(context);
    }

    public MyView(Context context, AttributeSet attrs) {
        super(context, attrs);
        mPaint = new Paint(Paint.ANTI_ALIAS_FLAG | Paint.DITHER_FLAG);
        mPaint.setStyle(Paint.Style.FILL);
        mPaint.setColor(Color.GREEN);
        setBackgroundColor(Color.WHITE);
    }

    @Override
    public boolean onTouchEvent(MotionEvent event) {
        int action = event.getAction();
        switch (action){
            case MotionEvent.ACTION_DOWN:
                if (mBufferBitmap == null) {
                    mBufferBitmap = Bitmap.createBitmap(getWidth(),getHeight(), Bitmap.Config.ARGB_8888);
                    mBufferCanvas = new Canvas(mBufferBitmap);
                }
                mBufferCanvas.drawCircle((int)event.getX(),(int)event.getY(),50,mPaint);
                break;
            case MotionEvent.ACTION_UP:
                invalidate();
                break;
        }
        return true;
    }

    @Override
    protected void onDraw(Canvas canvas) {
        if (mBufferBitmap == null) {
            return;
        }
        canvas.drawBitmap(mBufferBitmap,0,0,null);
    }
}

使用双缓冲,在数量较小时的GPU使用情况是这样的:

image

这时候的内存使用情况:

使用双缓冲,在数量非常大的时候,GPU使用情况是这样的:

内存使用情况:

从上面的实验数据我们可以得出结论:

  • 在绘制数据量较小时,不使用双缓冲,GPU的负荷更低,即绘制性能更高;
  • 在绘制数据量较大时,使用双缓冲绘图,绘制性能明显高于不使用双缓冲的情况;
  • 使用双缓冲会增加内存消耗。

其实上面的结论也很好理解,就像上面举的搬砖的例子,如果砖少的话,用车来拉明显是划不来的,砖的数量很多的时候,用车来拉就可以节省很多时间,但是用车就要消耗额外的资源,这就需要根据不同的情况做出正确的选择。

android的双缓冲绘图技术就讲到这里,有不对的地方或大家有什么问题欢迎留言。


android实现画板功能源码

作者:wensefu
链接:https://www.jianshu.com/p/efc0bebfd22e

Android 摄像头实时预览优化:SurfaceView 与 Camera API 的深度实践 本文深入探讨了Android开发中摄像头实时预览的优化实践,聚焦于SurfaceView与Camera API的深度整合。文章从解决预览卡顿、发热等常见问题出发,详细解析了SurfaceView的双缓冲机制、独立线程渲染原理及其生命周期管理要点,并提供了Camera API的安全调用、预览方向校正、尺寸帧率选择等关键技巧。通过构建工业级预览框架与高级优化方案,旨在帮助开发者实现流畅、稳定且低功耗的摄像头预览功能,适用于直播、AR、扫码等多种场景。 阅读详情

相关推荐

C++ GDI+性能瓶颈深度解析与实战优化技巧

在Windows桌面应用开发中,图形设备接口(GDI)及其增强版GDI+是处理图形绘制和图像显示的基础技术。其原理是通过软件渲染路径将绘图指令转换为像素数据,虽然提供了抗锯齿、渐变填充等丰富功能,但在高频刷新和复杂图形场景下容易遇到性能瓶颈。从技术价值看,理解GDI+的托管架构与原生C++之间的交互机制、资源管理模型及渲染管线,能帮助开发者编写出更高效的图形应用程序。常见的应用场景包括数据可视化图表、图像编辑器、实时监控界面等需要动态绘制的桌面软件。本文聚焦于GDI+在C++项目中的效率问题,通过分析**双

weixin_30700977的博客 404

android双缓冲绘图技术分析

双缓冲、多缓冲技术在计算机科学中其实是一个广义的概念,不过其本质上的意思都是差不多的。今天我们就来讲一讲双缓冲技术在android绘图中的应用。 何谓缓冲? 在理解双缓冲的原理之前,我们先要明白,什么叫缓冲? 我们可以举一个比较通俗的粟子,比如: 工头给你一个任务,让你把50块大板砖从A处搬到距离你1000米之外的B处去。你心想,50块板砖? 小case,我一次就能扛完。于

BillyLu的博客 657

Android SurfaceView 深度解析:原理、优化与实战指南

本文深入解析了Android SurfaceView的核心原理与实现方法。SurfaceView通过独立绘图表面和双缓冲机制,解决了标准View在高性能图形绘制中的性能瓶颈问题。文章详细介绍了其架构优势、混合渲染特性,并提供了完整的实现代码框架,包括基础搭建、高级渲染线程控制及精确帧率管理等关键技术要点,为开发者提供了全面的高性能图形绘制解决方案。

学无止境 801

android 画布缓存,Android采用双缓冲技术实现画板

本文实例为大家分享了Android实现画板的具体代码,采用的技术是双缓冲技术,供大家参考,具体内容如下1.双缓冲技术的概念所谓的双缓冲技术其实很简单,当程序需要在指定的View上进行绘制时,程序并不需要直接绘制到该View组件,而是先绘制到一个内存中的Bitmap图片上(就是缓冲),等内存中的Bitmap绘制好之后,再一次性将Bitmap绘制到View组件上。2.Android采用双缓冲实现画板实...

weixin_39825322的博客 212

安卓迷宫球游戏深度解析与源码实践

htmltable {th, td {th {pre {简介:在Android平台上开发游戏是技术与创意的结合,源码是开发者学习的宝贵资源。本解析深入探讨了“安卓游戏源码_迷宫球”项目,揭示编程思想和技术实现。通过详细分析SurfaceView的双缓冲机制、游戏逻辑、状态管理、用户交互、资源管理、性能优化及布局设计等多个方面,本项目帮助开发者全面学习和提升在Android平台上开发游戏的技能。

weixin_35732273的博客 656

Android 画板源码

Android 画板源码Android 画板源码Android 画板源码Android 画板源码

Android view的双缓冲机制

​ 什么叫做view的双缓冲机制?顾名思义,双缓冲意味着会有两个缓冲层,缓冲的出现就是为了提高view的刷新速度。 ​ 我们知道,由于人眼的原因,1秒24帧的动画才能让人感觉到顺畅,因此每一帧的时间大概也就是41ms,而且这41ms并不是全部留给Android代码的,最后留给Android发挥的时间也就只有16ms左右,当我们需要绘制一个重量级的动画时,16ms不足以将整个view重新...

shuaizhigen的博客 2491

基于双缓冲技术的VC++图形刷新技术的原理和实现

在 VC++中,如果采用传统的图形绘制技术,当程序窗体的内容经常刷新时,会导致屏幕或窗口出现闪烁,严 重影响显示效果。 而采用双缓冲技术则可以很好的解决这一问题。 本文主要分析了双缓冲技术的原理,介绍了其和传统图形 刷新技术的不同之处,并给出了在 VC 中使用双缓冲技术进行绘图的程序框架,对同类研究有一定的参考作用

2024年安卓最全深度解析Android双缓冲绘图技术(值得收藏)(2),2024年最新5年经验Android程序员面试27天

我一直以来都有整理练习大厂面试题的习惯,有随时跳出舒服圈的准备,也许求职者已经很满意现在的工作,薪酬,觉得习惯而且安逸。不过如果公司突然倒闭,或者部门被裁减,还能找到这样或者更好的工作吗?我建议各位,多刷刷面试题,知道最新的技术,每三个月可以去面试一两家公司,因为你已经有不错的工作了,所以可以带着轻松的心态去面试,同时也可以增加面试的经验。我可以将最近整理的一线互联网公司面试真题+解析分享给大家,大概花了三个月的时间整理2246页,帮助大家学习进步。

wang688699的博客 542

Redhawk-SC输入件配置中的5个常见错误及解决方法

本文针对Redhawk-SC功耗与可靠性签核工具,深入剖析了输入件配置中工艺文件错配、DEF文件路径、时序文件格式、电源网络模型及宏模型处理这5个最常见且棘手的错误。文章提供了资深工程师验证过的实战解决方案与检查清单,旨在帮助用户规避风险,提升配置效率与分析准确性,确保芯片签核流程的顺利进行。

earth的博客 235

PCB布局布线要求及多层电路板叠加原则

例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。提示:以下是本篇文章正文内容,下面案例可供参考本文主要针对PCB布局布线中的要点进行了总结,并对多层电路板的叠加原则进行了解释。

Ka_wyb的博客 2942

2024年Android最新深度解析Android双缓冲绘图技术(值得收藏)(1),2024Android开发社招面试总结

UI这块知识是现今使用者最多的。当年火爆一时的Android入门培训,学会这小块知识就能随便找到不错的工作了。不过很显然现在远远不够了,拒绝无休止的CV,亲自去项目实战,读源码,研究原理吧!

2401_84519718的博客 1106

基于ROS2的实时视频流转换:image2rtsp在多路相机采集中的应用

本文详细介绍了如何在ROS2机器人系统中使用image2rtsp工具,将ROS2内部的相机图像话题实时转换为标准的RTSP视频流。重点阐述了其安装配置、核心参数调优,并提供了多路相机采集的实战方案,解决了机器人视觉数据跨平台、跨网络分发的难题,极大提升了视频流集成的部署效率。

weixin_29214559的博客 398

android OpenGL ES详解——双缓冲区、默认缓冲区和帧缓冲区

在Android OpenGL中,双缓冲、默认缓冲和自定义帧缓冲(Frame Buffer Object,FBO)是图形渲染中的重要概念,它们各自承担着不同的角色和功能,同时又相互关联。双缓冲双缓冲是图形渲染中的一种常用技术,它使用两个缓冲区来存储图像数据。在OpenGL窗口中,通常有一个前缓冲(Front Buffer)和一个后缓冲(Back Buffer)。前缓冲是用户当前看到的图像,而后缓冲则是下一帧将要显示的图像。当一帧图像渲染完成后,后缓冲和前缓冲会进行交换,这样用户就能看到新的图像。

闲暇部落 2303

CMU开源NavRL:深度强化学习如何破解无人机动态避障难题?

卡内基梅隆大学(CMU)开源了NavRL框架,利用深度强化学习解决无人机在复杂环境中的动态避障难题。该框架通过创新的状态表示、多目标奖励函数设计以及独立的安全屏障机制,使无人机能够通过仿真训练自主学会灵活、安全的导航策略,并成功实现从仿真到真实环境的零样本迁移。

hope8的博客 723

在unity urp项目中 通过图片创建材质(透明光晕)

unity中通过图片创造材质(urp管道)

m0_49721415的博客 1541

Android SurfaceView 深度解析

SurfaceView:独立Surface,直接由SurfaceFlinger合成。Q:"SurfaceView与TextureView如何选择?Q:"SurfaceView的WMS(窗口管理服务)交互过程?TextureView:作为普通View由硬件加速渲染。SurfaceView消耗约2-3个帧缓冲区。TextureView占用GPU内存更多。减少画面撕裂(Tearing):默认置于宿主窗口下方,可通过。支持60fps以上高性能渲染。:前后帧绘制间隔过长。

斗锋在干嘛的博客 1243

NE555构成多谐振荡器及三角波、正弦波的生成(附工程文件)

NE555构成多谐振荡器及三角波、正弦波的生成 续上一篇:NE555基本原理及相关公式的推导

qq_49979053的博客 5万+

Android 绘制原理浅析【干货】

这里再给大家分享一套由阿里高级架构师编写的《Android八大模块进阶资料》,帮助大家将杂乱、零散、碎片化的知识进行体系化的整理,让大家系统而高效地掌握Android开发的各个知识点。由于文章内容比较多,篇幅有限,资料已经被整理成了PDF文档,有需要《Android八大模块进阶资料》完整文档的可以加微信 即可免费领取!《Android八大模块进阶笔记》相对于我们平时看的碎片化内容,这份笔记的知识点更系统化,更容易理解和记忆,是严格按照知识体系编排的。

huahaiyi的博客 1182

从选型到调试:MCU外部晶振电路设计的实战避坑指南

本文详细解析了MCU外部晶振电路设计的关键要点,从选型到调试提供全面指南。重点探讨了晶振频率选择、负载电容计算、PCB布局优化等核心问题,并分享常见故障排查技巧与EMC设计经验,帮助工程师规避设计陷阱,提升嵌入式系统时钟稳定性。

weixin_30872577的博客 281

精度与速度双突破:YOLOv8-Pose 在 RK3588 上实现高性能人体姿态分析部署

本教程从YOLOv8-pose模型的姿态识别训练,到RK3588的边缘量化部署,为你打造了一套“高精度+高实时性+低成本”的人体姿态分析解决方案。无论是健身动作纠正、智能安防行为检测,还是工业人员姿态监控,这套技术都能直接复用——你只需替换数据集与业务逻辑,即可快速落地专属的边缘AI姿态识别系统。如果你在实践中遇到任何卡点,欢迎随时交流。记住,人体姿态识别的价值在于“关键点准、推理快、部署易”,而这三者的平衡,正是你通过本教程能掌握的核心能力。

know_F0727的博客 435

Android显示机制深度解析:Surface、SurfaceFlinger与Choreographer的协同之道

本文深度解析Android图形显示系统的核心机制,详细阐述了Surface、SurfaceFlinger与Choreographer三大组件的协同工作原理。Surface作为应用的绘图画布,SurfaceFlinger负责图层合成,而Choreographer则基于VSYNC信号调度UI绘制节奏,三者精密配合共同保障了画面的流畅显示。文章还探讨了双缓冲、三缓冲机制及常见性能问题的诊断与优化策略。

gg901的博客 742

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Android 绘制原理浅析

对于Android开发,在面试的时候,经常会被问到,说一说View的绘制流程?我也经常问面试者,View的绘制流程.对于3年以上的开发人员来说,就知道onMeasure/onLayout/onDraw基本,知道他们呢是干些什么的,这样就够了吗?如果你来我们公司,我是你的面试官,可能我会考察你这三年都干了什么,对于View你都知道些什么,会问一些更细节的问题,比如LinearLayout的onMeasure,onLayout过程?他们都是什么时候被发起的,执行顺序是什么?如果以上问题你都知道,可能你进来我们公

1 562

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Android屏幕刷新机制:从VSync到Choreographer的深度解析

本文深入解析了Android屏幕刷新机制,从VSync信号到Choreographer的工作原理,详细介绍了双缓冲和三缓冲技术如何解决画面撕裂和卡顿问题。通过实际案例和性能优化技巧,帮助开发者理解并优化Android应用的流畅度,提升用户体验。

weixin_26795617的博客 221

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Android图形与显示系统:从架构到协作的深度解析

Android 图形与显示系统通过「分层架构解耦、组件化协作、缓冲区通信」实现高效的视觉输出:图形系统专注于「高质量、高性能地生产视觉数据」,核心是渲染引擎与绘图 API;显示系统专注于「有序、高效地消费视觉数据」,核心是窗口管理与图层合成;两者的协同核心是 BufferQueue 的生产者 - 消费者模型,以及 VSync 信号的时序调度;理解这套协作机制,不仅能帮助开发者定位性能问题,更能在复杂场景(如跨平台 UI、高性能游戏)中做出合理的技术选型,实现「稳帧、低延迟、长续航」的用户体验。

执剑人 1029

Notepad--:跨平台文本编辑器的技术架构与国产化实践深度解析

Notepad--是一款基于C++和Qt框架开发的跨平台文本编辑器,支持Windows、Linux和Mac三大操作系统。作为国产软件替代方案,该项目在技术架构设计、跨平台兼容性和中文处理优化方面展现出独特的技术优势。本文将从技术选型思考、架构演化历程、性能优化哲学三个维度,深度解析这款开源文本编辑器的核心技术实现。 ## 技术解码:Qt与Scintilla的完美融合 ### 架构设计哲学 N

gitblog_00927的博客 517
上一篇: 如何更高效的使用MVP以及官方MVP架构解析
下一篇: 如果说我们使用Jetpack中还没踩过这些坑,请务必收下这篇文章!
Python_林一
博客等级 码龄7年 889粉丝 510原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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