Android API 中文 (3) —— 停止和重启一个Activity

Android应用多语言切换:从基础实现到架构优化的完整解决方案 在移动应用开发中,国际化与本地化是支持全球用户的基础需求,其核心在于资源管理与运行时配置的动态适配。Android系统通过Resource和Configuration机制实现多语言支持,但实际开发中常遇到Activity重建、状态保存、第三方组件适配等工程挑战。本文聚焦Android应用的语言切换功能,深入解析基于ContextWrapper的架构设计,通过重构Application的attachBaseContext方法,确保全局Context资源的一致性。结合ViewModel状态管理和WebView等 阅读详情
在正常的应用程序使用时,前台活动有时通过使所述活动暂停等可视部件阻塞。例如,当一个半透明活性打开(诸如一个在一个对话的方式),在以前的活动暂停。只要活动仍部分可见,但当前未处于焦点中的活动,它保持暂停。

然而,一旦活性完全阻塞和不可见的,它停止(这将在下一课讨论)。

当你的活动进入暂停状态时,系统调用的onPause()方法的活动,它允许你停止不应该继续暂停时(如视频)正在进行的动作或持续存在,应永久保存,以防任何信息用户继续留下您的应用程序。如果用户返回到从暂停状态的活动,系统恢复,并调用onResume()方法。

注意:当你的活动接听电话时,onPause()它可能是一个迹象,该活动将被暂停了一会儿,用户可以将焦点返回到你的活动。然而,这通常是第一个迹象表明,用户正在离开你的活动。



图1.当用户离开你的活动时,系统调用的onStop()停止活动(1)。如果在活动停止用户返回,系统调用onRestart()(2),紧接着ONSTART()(3)和onResume()(4)。请注意,无论什么情况下会导致活动停止,系统()之前调用的onStop总是调用的onPause()。

停止你的活动
当你的活动收到一个调用的onStop()方法,它不再是可见的,应该释放那些在用户不使用它并不需要的几乎所有资源。一旦你的活动停止后,系统可能会破坏。例如,如果需要恢复系统内存。在极端情况下,该系统可能只是杀了你的应用程序,而无需调用该活动的最后的onDestroy()回调,让你用的onStop()释放可能泄漏内存资源,这一点很重要。

虽然在onPause()方法在onStop()调用之前,你应该使用的onStop()来执行更大,更多的CPU关机操作,如将信息写入数据库。

例如,这里的的onStop()的实现,节省了一张字条给永久存储草案的内容:

@Override
protected void onStop() {
    super.onStop();  // Always call the superclass method first

   //保存注释的目前的草案,因为该活动是停止
    //我们要确保当前音符的进展不会丢失。
    ContentValues values = new ContentValues();
    values.put(NotePad.Notes.COLUMN_NAME_NOTE, getCurrentNoteText());
    values.put(NotePad.Notes.COLUMN_NAME_TITLE, getCurrentNoteTitle());

    getContentResolver().update(
            mUri,    // The URI for the note to update.
            values,  // The map of column names and new values to apply to them.
            null,    // No SELECT criteria are used.
            null     // No WHERE columns are used.
            );
}
当你的活动都已停止,活动对象保持驻留在内存中的活动恢复时回忆说。不需要重新初始化过程中的任何的回调方法导致对续状态中创建的组件。该系统还跟踪在布局中的每个视图的当前状态,因此如果用户输入的文字变成一个EditText小部件,这些内容被保留,所以你不需要保存和恢复它。

注:即使系统破坏你的活动,而它停了下来,它仍保留在一个Bundle(键值对的BLOB)查看对象(如一个EditText文本)的状态,并恢复他们,如果用户返回该活动的同一个实例(下一课更多地谈论用包保存,以防您的活动被破坏并重新创建其他状态数据)。


启动/重新启动您的活动
当你的活动回来,从停止状态的前景,它接收调用onRestart()。该系统还调用的OnStart()方法,这恰好每次你的活动变得可见的时间(无论是正在重新启动或首次创建)。该onRestart()方法,但是,被称为从停止状态下的活动恢复,只有当,所以你可以用它来执行只有在以前的活动停止,但不被破坏,可能需要特殊的修复工作。

这是罕见的一个应用程序需要使用onRestart()来恢复活动的状态,所以不会有这种方法适用于应用程序的一般人群的指引。但是,因为你的onStop()方法应该基本上清理所有活动的资源,你需要重新实例化它们的活动重新启动时。然而,你还需要在你的活动是第一次创建实例化它们(当有活动的任何现有实例)。出于这个原因,你通常应该使用ONSTART()回调方法作为对应到的onStop()方法,因为系统调用ONSTART()既当它创建你的活动,并在重新启动时从停止状态的活动。

例如,因为用户可能已经离开你的应用程序很长一段时间回来之前,该ONSTART()方法是一个好地方,以验证功能被启用所需的系统:

@Override
protected void onStart() {
    super.onStart();  // Always call the superclass method first
    
   //活动要么被重新启动或启动的第一次
    //所以这是我们应该确保GPS已启用
    LocationManager locationManager = 
            (LocationManager) getSystemService(Context.LOCATION_SERVICE);
    boolean gpsEnabled = locationManager.isProviderEnabled(LocationManager.GPS_PROVIDER);
    
    if (!gpsEnabled) {
            //创建这里一个对话框,请求用户启用GPS,并使用意图
        //与android.provider.Settings.ACTION_LOCATION_SOURCE_SETTINGS行动
        //把用户设置窗口启用GPS时,单击“确定”
    }
}

@Override
protected void onRestart() {
    super.onRestart();  // Always call the superclass method first
    
    // Activity being restarted from stopped state    
}
当系统破坏活动,它调用onDestroy()方法,为您的活动。因为你通常应该已经发布了大部分的资源与onStop()的时候,你接到一个电话来onDestroy(),没有太多的大多数应用程序需要做的。这种方法是你最后一次机会来清理资源,可能会导致内存泄漏,所以你应该确保其他线程被破坏和其他长期运行的操作,如方法跟踪也停止。

macOS本地安卓自动化:基于ADB的微信/QQ/钉钉操作方案 安卓自动化是指通过系统级接口(如ADB)实现对Android设备的程序化控制,其核心原理是绕过应用层协议,直接驱动无障碍服务与UI组件。相比Appium等测试框架,它具备低延迟、高保真、免Root、纯本地运行的技术优势,特别适合办公场景下的重复性任务提效。在macOS平台,该技术可支撑微信消息发送、QQ群通知响应、钉钉审批提交等真实业务流,但受限于架构兼容性,Intel Mac因ADB稳定性、scrcpy渲染精度及内核扩展支持,成为当前最可靠的部署环境。本文详解一套面向开发者的轻量级本地通信桥接方案——Op 阅读详情

相关推荐

全面掌握Android API开发:官方中文文档大全

Android应用开发是建立在强大的API架构之上的,该架构由Android SDK提供,它包含了构建应用程序所需的所有库和APIs。开发环境的配置至关重要,它是开发者开始编码前的第一步。Google为开发者提供了Android Studio这一集成开发环境(IDE),其中内置了最新的Android API,并集成了模拟器、调试工具和代码编辑器等功能。创建自定义视图是一个强大且灵活的解决方案,可以满足特定的设计需求。以下是创建自定义视图的最佳实践:继承合适的基类:根据需求继承View。

weixin_42578963的博客 2602

Android代码中实现关机

想要在代码中实现关机需要apk有系统权限,要在manifest文件添加android:sharedUserId=“android.uid.system”,还要有系统签名。 ###第一种方式 直接使用adb shell 命令,调用reboot命令来关机 try { Runtime.getRuntime().exec("reboot -p"); //关机 } catch (IOException e) { e.printStackTrace(); } ###第二种方式 电泳PowerManag

lebulangzhen的博客 5711

Android开发关键资源:API指南中文及英文文档

Android平台的灵活性和多样性使其在移动领域占据了重要地位。Android API,作为构建应用和服务的核心,为开发者提供了丰富的功能,让设备能够进行广泛的操作。本章将概述Android API的核心功能,为读者提供一个宏观的理解,并为深入学习各个组件打下基础。首先,我们会了解Android系统如何利用API实现基本的系统服务和功能,例如显示用户界面、处理用户输入和管理设备资源。我们会分析不同类型的API,包括硬件抽象层(HAL)、系统级API以及开发者常用的框架API。

weixin_35757191的博客 524

java实现手机开关机_Android实现关机与重启的几种方式(推荐)

下面我们来探究Android如何实现关机,重启;在Android中这种操作往往需要管理员级别,或者rootAndroid实现的方式如下几种:默认的SDK并没有提供应用开发者直接的Android系统关机或重启的API接口,一般来讲,实现Android系统的关机或重启,需要较高的权限(系统权限甚至Root权限)。所以,在一般的APP中,如果想要实现关机或重启功能,要么是在App中声明系统权限,要么是通...

weixin_32559133的博客 1711

Cocos Creator v2.0安卓真机部署实战指南

Cocos Creator 是一款面向2D游戏开发的跨平台引擎,其v2.0版本因轻量、稳定和成熟安卓构建链路,仍被大量中小团队用于维护与交付。理解v2.0在Android平台的底层构建原理——包括Gradle配置约束、AndroidManifest.xml关键字段、AssetManager资源生命周期、AudioTrack音频缓冲调控及SurfaceFlinger帧级调试——是突破‘编辑器能跑、真机崩溃’交付断层的核心能力。本文聚焦v2.0.10稳定子版本,系统拆解从JS逻辑到APK安装包的全链路技术细节,

weixin_34268310的博客 358

Android实现关机与重启的几种方式(推荐)

下面我们来探究Android如何实现关机,重启;在Android中这种操作往往需要管理员级别,或者root Android实现的方式如下几种: 默认的SDK并没有提供应用开发者直接的Android系统关机或重启的API接口,一般来讲,实现Android系统的关机或重启,需要较高的权限(系统权限甚至Root权限)。所以,在一般的APP中,如果想要实现关机或重启功能,要么是在App中声明系统权限,要么是通过某种“间接”的方式,比如广播或反射,来间接实现系统关机或重启。再者,就是放在源码环境中进行编译,这样做有一个好处,就是可以直接调用Android中不公开的API,这是Eclipse+SDK没法达

Android系统关机或重启的几种实现方式

默认的SDK并没有提供应用开发者直接的Android系统关机或重启的API接口,一般来讲,实现Android系统的关机或重启,需要较高的权限(系统权限甚至Root权限)。所以,在一般的APP中,如果想要实现关机或重启功能,要么是在App中声明系统权限,要么是通过某种“间接”的方式,比如广播或反射,来间接实现系统关机或重启。再者,就是放在源码环境中进行编译,这样做有一个好处,就是可以直接调用Android中不公开的API,这是Eclipse+SDK没法达到的效果。下面是我自己尝试的几种方式: 一. ..

Peak的博客 1万+

ROS2仿真抓取分拣案例,使用myCobot 280机械臂结合ROS2系统搭建机械分拣站

本案例展示了如何利用myCobot 280 urdf模型构建一个对象分类站,并在ROS2 jazzy中完成运动规划。

m0_71627844的博客 2128

Android之关机/重启/recovery模式(一百一十五)

Android之关机/重启/recovery模式

Android系统攻城狮 1万+

原形网络(Prototypical Networks)基于PyTorch的实现

我在Jay2coomzz的基础上修改了数据处理方式和evaluation_model()方法,作为初学者若有不当之处恳请大家批评指正,原文链接如下: https://blog.youkuaiyun.com/weixin_38471579/article/details/102631018 数据集和源码链接将放到评论区 文章目录1 数据集一个简单的数据集介绍数据集处理2 搭建网络CNNProtonets 1 数据集 一个简单的数据集介绍 Omniglot数据集一共包含1623 类手写体,每一类中包含20 个样本。其中.

weixin_43872532的博客 6637

【simulink模型】独立悬架振动模型,七自由度整车simulink模型

车辆悬架系统的设计对提升车辆行驶平顺性和操纵稳定性具有重要意义。本文构建了独立悬架的振动仿真模型以及七自由度整车动力学模型,基于 Simulink 平台实现对模型的动态响应仿真。通过对比不同工况下的车辆振动响应,验证了模型的准确性与实用性。研究结果为车辆悬架系统的优化设计提供了有力支持。

2401_84610415的博客 1584

Android Studio集成Scrcpy实现高效安卓投屏与调试

屏幕镜像技术通过将移动设备画面实时投射到电脑显示器,实现了跨设备视觉同步。其核心原理通常基于视频编码压缩与网络传输协议,在保证画质的同时降低延迟。这项技术的工程价值在于极大提升了开发调试、演示协作和自动化测试的效率,尤其适用于需要大屏展示复杂交互或多人协同的场景。本文聚焦于Android开发环境,深入探讨如何利用Scrcpy这一开源投屏工具,结合ADB调试桥与硬件编码技术,实现低延迟、可交互的安卓手机屏幕镜像。通过将其深度集成到Android Studio IDE中,开发者能够无缝进行UI调试、性能监控与操

weixin_30271335的博客 350

STM32平台中ARM架构向量表配置:手把手教程

深入讲解STM32平台下arm架构的向量表配置方法,结合实际操作步骤,帮助开发者掌握中断向量的定位与初始化,提升嵌入式系统开发效率。

weixin_42514540的博客 802

Android开发入门实战:从环境搭建到首个交互应用构建

移动应用开发的核心在于理解操作系统与应用的交互机制、资源管理及界面渲染原理。掌握这些底层逻辑,开发者才能构建出流畅、安全且高效的应用,从而在日益复杂的业务场景中保持技术竞争力。Android开发作为移动生态的重要分支,其价值体现在对基础能力的扎实要求上。通过搭建稳定的开发环境,如正确配置Android Studio与Gradle,并规避路径中文、网络超时等常见陷阱,开发者可以高效启动项目。理解Activity生命周期、Intent组件通信及资源系统等核心概念,是构建可维护应用的基础。本文以环境配置与首个交互

weixin_30621711的博客 488

为什么传统CNN在视网膜分割中败给Mamba?从血管拓扑学揭秘Serp-Mamba的蛇形扫描黑科技

本文深入分析了传统CNN在视网膜血管分割任务中的局限性,特别是在处理高分辨率图像和复杂血管拓扑结构时。针对这些问题,文章重点介绍了Serp-Mamba模型的核心创新——蛇形交织自适应扫描(SIA)机制,该机制通过让扫描路径自适应地贴合血管曲率,并结合模糊驱动双重校准(ADDR)模块应对极端类别失衡,从而在视网膜血管分割任务上实现了性能的显著突破。

ss78901的博客 898

基于ProXmoX VE的虚拟化家庭服务器(篇一)—ProXmoX VE 安装及基础配置

ProxmoxVE是一款套开源的虚拟化管理软件,用户可通过网页的方式来管理服务器上使用kvm以及lxc技术运行的虚拟机。同时提供了一些先进功能的支持,如集群、HA等。PVE虽然是开源,却是由一个商业公司在运营、更新以及维护。...

隔壁老瓦的专栏 6322

Android官方开发文档Training系列课程中文版:目录

本博客翻译文章源文件都已开源。 在翻译了一篇安卓的官方文档之后,我觉得应该做一件事情,就是把安卓的整篇训练课程全部翻译成英文,供国内的开发者使用,尤其是入门开发者,虽然现在网络上有很多入门课程,但是还是依靠官方文档学习来的靠谱,安卓官方文档是一系列的课程,使每个人可以系统的掌握安卓的知识。

SAHADEV的专栏 9516

使用MATLAB和Simulink来设计并仿真一个智能家居多传感器数据融合系统

智能家居多传感器数据融合系统旨在通过集成来自多种不同类型的传感器的数据,以提供更精确和可靠的环境信息或用户状态监测。例如,将温度、湿度、光照强度、运动检测等多种传感器的数据结合起来,可以更好地了解家庭内部的状态,并做出相应的调整或响应。在这个教程中,我们将使用MATLAB和Simulink来设计并仿真一个智能家居多传感器数据融合系统。

amy_mhd的博客 191

Brevent 终极指南:无需 Root 权限的 Android 后台应用管理神器

Brevent 是一款革命性的 Android 应用管理工具,通过智能控制后台应用运行来显著提升设备性能和电池续航。这款开源工具无需 root 权限,支持从 Android 6.0 到 Android 13 的所有设备,为普通用户提供了专业级的系统优化能力。无论你是想要延长手机续航的游戏玩家,还是希望设备运行更流畅的普通用户,Brevent 都能为你带来前所未有的 Android 体验。 ##

gitblog_00907的博客 332

基于 ESP32-CAM 与 TinyML 的食堂餐盘自动识别与营养分析终端

【代码】基于 ESP32-CAM 与 TinyML 的食堂餐盘自动识别与营养分析终端。

weixin_42300449的博客 168

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

ADB(Android Debug Bridge)

中文叫“安卓调试桥”,就像一座桥梁,把你的电脑和 Android 设备(手机、平板、模拟器)连接起来。你可以通过这座桥,远程控制、调试、管理你的设备,就像拥有一把“万能遥控器”。ADB就像一座桥,让你用电脑“遥控”手机。logcat是“监听器”,帮你捕捉一切日志。shell是“遥控器”,让你随心所欲操作手机。jdwp是“侦探名单”,帮你找到可以调试的目标。下面为你介绍一些 ADB 的“隐藏技能”和常用命令的高级用法案例,让你玩转 Android 调试!

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度,也有思维广度,无论你是开发者、创业者还是高校学子,都能在这里找到适合自己的成长之路! 1370

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Android开发环境搭建与核心组件详解

Android开发环境搭建是移动应用开发的基础,其中Android Studio作为官方IDE集成了代码编辑、调试和性能分析工具。ADB(Android Debug Bridge)则是连接开发机与设备的桥梁,通过环境变量配置可实现高效调试。在组件层面,Activity生命周期管理涉及onCreate到onDestroy的完整流程,而Service组件则需要适配Android 8.0后的后台限制。UI开发中,Lottie动画库和动态图标技术能显著提升用户体验,MVVM架构配合Jetpack组件可构建响应式应用

weixin_33766168的博客 385

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

Android开发必备:ADB命令实战指南与高级调试技巧

ADB(Android Debug Bridge)是连接计算机与Android设备进行调试和自动化操作的核心工具,其原理基于客户端-服务器架构,通过USB、网络或无线调试协议建立通信。掌握ADB命令不仅能提升开发调试效率,更是实现自动化测试、性能分析和设备管理的关键技术。在Android应用开发、测试及自动化部署等场景中,熟练运用ADB进行应用安装卸载、日志抓取、文件传输和设备信息获取,是工程师解决实际问题的基础能力。本文基于一线实战经验,系统梳理了ADB命令的知识体系,重点涵盖了设备连接、应用生命周期管理

weixin_30808693的博客 372
上一篇: Android API 中文 (2) —— 暂停和恢复一个Activity
下一篇: Android API 中文 (5) —— 使用平台的样式和主题
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