建立一个隐式意图

android 日历事件日程 前一篇文章写的日历添加事件、删除 插入 可能不太适用于高版本的 重新写一篇记录,该代码来自于AndroidDevelopers,仅记录 如需向用户的日历添加新事件,请使用 ACTION_INSERT 操作并指定具有 Events.CONTENT_URI 的数据 URI。然后您就可以使用下文介绍的 extra 指定事件的各类详细信息。 操作: ACTION_INSERT 数据URI: Events.CONTENT_URI 类型: “vnd.android.cursor.dir/event” Extra: EX 阅读详情

安卓系统最重要的特性之一是一个应用程序用户发送到另一个应用程序的能力基于一个“行动”它想执行。例如,如果您的应用程序有一个业务的地址,你想显示在地图上,你不需要构建一个活动在你的应用程序,展示了一幅地图。相反,您可以创建一个请求来查看地址使用意图。Android系统开始应用,能够显示地址在地图上。

解释在第一节课,建立您的第一个应用程序,您必须使用意图之间导航活动在您自己的应用程序。你通常与一个明确的意图,它定义了组件的具体类名你想开始。然而,当你想要一个单独的应用程序执行一个动作,如“查看地图”,你必须使用一个隐式意图。

这节课向你展示了如何创建一个隐式意图为特定的行动,以及如何使用它来启动一个活动在另一个应用程序执行操作。

建立一个隐式意图

隐式意图不声明组件的类名开始,而是声明一个行动来执行。操作指定了你想做的事,如视图、编辑、发送、或得到一些东西。意图通常还包括数据相关的行动,如地址你想要查看,或者您想要发送的电子邮件消息。取决于你想创造意图,数据可能是一个Uri,其他数据类型之一,或意图可能不需要的数据。

如果您的数据是一个Uri,这是一个简单的意图()构造函数可以使用定义的操作和数据。

例如,下面是如何创建一个意图发起电话使用Uri数据指定电话号码:

Uri number = Uri.parse("tel:5551234");
Intent callIntent = new Intent(Intent.ACTION_DIAL, number);

当应用程序调用此意图通过调用startActivity(),此次电话应用程序发起一个给定的电话号码。

这里有一些其他的意图和他们的行动和Uri数据对:

查看地图:

// Map point based on address//基于地址映射点
Uri location = Uri.parse("geo:0,0?q=1600+Amphitheatre+Parkway,+Mountain+View,+California");
// Or map point based on latitude/longitude//或地图基于纬度/经度点
// Uri location = Uri.parse("geo:37.422219,-122.08364?z=14"); // z param is zoom level
Intent mapIntent = new Intent(Intent.ACTION_VIEW, location);
查看一个网页:

Uri webpage = Uri.parse("http://www.android.com");
Intent webIntent = new Intent(Intent.ACTION_VIEW, webpage);

其他类型的隐式意图需要“额外的”数据,提供不同的数据类型,如字符串。您可以添加一个或多个块额外的数据使用的各种putExtra()方法。

默认情况下,系统确定适当的MIME类型所需要的目的基于Uri的数据包括在内。如果你不包括一个Uri的意图,通常应该使用setType()指定的数据类型与意图。设置MIME类型进一步指定哪些类型的活动应该得到的意图。

这里有一些更多的意图,添加额外的数据指定所需的行动:

发送一个电子邮件与附件:

Intent emailIntent = new Intent(Intent.ACTION_SEND);
// The intent does not have a URI, so declare the "text/plain" MIME type
emailIntent.setType(HTTP.PLAIN_TEXT_TYPE);
emailIntent.putExtra(Intent.EXTRA_EMAIL, new String[] {"jon@example.com"}); // recipients
emailIntent.putExtra(Intent.EXTRA_SUBJECT, "Email subject");
emailIntent.putExtra(Intent.EXTRA_TEXT, "Email message text");
emailIntent.putExtra(Intent.EXTRA_STREAM, Uri.parse("content://path/to/email/attachment"));
// You can also attach multiple items by passing an ArrayList of Uris//你也可以附加多个项目通过uri的ArrayList
创建日历事件:

Intent calendarIntent = new Intent(Intent.ACTION_INSERT, Events.CONTENT_URI);
Calendar beginTime = Calendar.getInstance().set(2016, 0, 19, 7, 30);
Calendar endTime = Calendar.getInstance().set(2016, 0, 19, 10, 30);
calendarIntent.putExtra(CalendarContract.EXTRA_EVENT_BEGIN_TIME, beginTime.getTimeInMillis());
calendarIntent.putExtra(CalendarContract.EXTRA_EVENT_END_TIME, endTime.getTimeInMillis());
calendarIntent.putExtra(Events.TITLE, "Ninja class");
calendarIntent.putExtra(Events.EVENT_LOCATION, "Secret dojo");

注意:这个意图为日历事件只有API支持14和更高的水平。

注意:重要的是定义你的意图是尽可能具体。例如,如果你想显示一个图像使用ACTION_VIEW意图,你应该指定一个MIME类型的图像/ *。这样可以防止应用程序“视图”其他类型的数据(比如地图应用程序)引发的意图。

验证有一个应用程序来接收意图

虽然Android平台保证某些意图将解决一个内置的应用程序(如电话、电子邮件或日历应用程序),您应该总是包含一个验证步骤之前调用一个意图。

警告:如果你调用一个意图和没有应用程序可用的设备可以处理的目的,应用程序会崩溃。

验证有一个活动可以应对意图,叫queryIntentActivities()得到的活动列表能够处理您的意图。如果返回的列表不是空的,您可以安全地使用意图。例如:

PackageManager packageManager = getPackageManager();
List<ResolveInfo> activities = packageManager.queryIntentActivities(intent, 0);
boolean isIntentSafe = activities.size() > 0;

如果isIntentSafe是真的,那么至少有一个应用程序将响应的目的。如果它是假的,那么没有任何应用程序处理的目的。

注意:你应该先执行此检查当你的活动开始,以防你需要禁用功能,使用意图之前,用户试图使用它。如果你知道一个特定的应用程序可以处理的目的,还可以为用户提供一个链接下载应用程序

开始一个活动的意图

一旦您创建了您的意图并设置额外的信息,调用startActivity()来将其发送到系统。如果系统识别多个活动,可以处理的目的,它将显示一个对话框,让用户选择使用哪个应用程序,如图1所示。如果只有一个活动处理的意图,系统立即启动它。

startActivity(intent);
这是一个完整的示例,展示了如何创建一个意图查看地图,验证应用程序处理的意图存在,然后启动它:

// Build the intent
Uri location = Uri.parse("geo:0,0?q=1600+Amphitheatre+Parkway,+Mountain+View,+California");
Intent mapIntent = new Intent(Intent.ACTION_VIEW, location);

// Verify it resolves
PackageManager packageManager = getPackageManager();
List<ResolveInfo> activities = packageManager.queryIntentActivities(mapIntent, 0);
boolean isIntentSafe = activities.size() > 0;

// Start an activity if it's safe
if (isIntentSafe) {
    startActivity(mapIntent);
}

显示应用程序选择器

注意,当你开始一个活动通过意图startActivity()和有多个应用程序响应的目的,用户可以选择使用哪个应用程序在默认情况下(通过选择一个复选框底部的对话框,如图1所示)。这是很好的执行一个动作时,用户通常希望每次都使用相同的应用程序,例如当打开一个web页面(用户可能使用一个web浏览器)或拍照(用户可能更喜欢一个摄像头)。

然而,如果要执行的操作可能是由多个应用程序和用户可能喜欢不同的应用程序每个时间作为一个“共享”行动,因为用户可能通过几个应用程序,它们可以共享一个东西应该明确显示一个选择器对话框,如图2所示。选择器对话框部队用户选择使用哪个应用程序的每次行动(行动的用户不能选择一个默认的应用程序)。

显示选择器,创建一个意图使用createChooser()并将其传递给startActivity()。例如:

Intent intent = new Intent(Intent.ACTION_SEND);
...


 
//总是使用UI文本字符串资源。
//这个说类似“与“分享这张照片
String title = getResources().getString(R.string.chooser_title);
// Create intent to show chooser//创建意图显示选择器
Intent chooser = Intent.createChooser(intent, title);// Verify the intent will resolve to at least one activity//验证目的将解决至少一个活动
if
(intent.resolveActivity(getPackageManager()) != null) {
    startActivity
(chooser);
}
这将显示一个对话框的列表应用程序响应意图传递给createChooser()方法并使用提供的文本标题所示的对话框。


Anthropic隐式意图层:大模型推理的智能调度中间件 大模型推理效率瓶颈长期受限于固定架构与泛化任务之间的矛盾。其核心原理在于将任务意图识别从提示词中解耦,通过轻量编码器实时判定任务类型,并动态协调专家子网络、调整注意力机制与优化KV缓存策略。这种不增加参数、不暴露API的隐式中间件,显著提升长上下文处理效率与多源异构输入理解能力,技术价值体现在延迟降低、显存节省与任务完成率跃升。典型应用于企业级合同审查、财报分析、客服摘要等需高稳定低延迟的AI服务场景。本文聚焦Anthropic最新推理链路中的意图驱动调度层,解析其工程实现与实操适配方法。 阅读详情

相关推荐

安卓开发实例(1)用隐式意图打开系统相机

目的这里主要开始接触android的基本功能 (1)Intent: Intent(意图)主要是解决Android应用的各项组件之间的通讯。 Intent负责对应用中一次操作的动作、动作涉及数据、附加数据进行描述,Android则根据此Intent的描述,负责找到对应的组件,将 Intent传递给调用的组件,并完成组件的调用。 因此,Intent在这里起着一个媒体中介的作用,专门提供组件互相调

QI760549741的博客 1975

常用Intent

一个intent允许你在一个intent对象中对action进行描述以便在其他app中启动一个activity。这种intent的类型被称作隐式intent,因为他没有指定让某一个app组件启动,而是指定一个action并且提供一些数据来执行这个动作。 当你调用startActivity()或者startActivityForResult()并且传入一个隐式intent时,系统会处理这个inte

qq_30970807的博客 842

嵌入式C语言类型转换:隐式与显式转换的硬件本质

类型转换是C语言中连接软件逻辑与硬件行为的关键桥梁,其本质在于比特位的重新解释或截断。理解整型提升、符号扩展、截断逻辑及浮点转整数的精度丢失机制,是保障嵌入式系统稳定性的基础。在ARM Cortex-M、RISC-V等MCU平台上,隐式转换由编译器按标准自动保障安全性,而显式转换则绕过所有检查,直接映射为SXTB、UXTB等底层指令,极易引发未定义行为与间歇性故障。技术价值体现在对寄存器操作、ADC采样处理、RTOS共享变量访问等核心场景的精确控制;典型应用包括HAL库寄存器赋值、传感器数据量化、跨核数据传

weixin_42389113的博客 622

android 应用组件[通用 Intent---添加日历事件] 五

如需向用户的日历添加新事件,请使用 ACTION_INSERT 操作指定具有 Events.CONTENT_URI 的数据 URI。 然后您就可以使用下文介绍的 extra 指定事件的各类详细信息。 操作ACTION_INSERT数据 URIEvents.CONTENT_URIMIME 类型"vnd.android.cursor.dir/event"Extra EXTRA_EVENT_

燃烧那滴泪的专栏 1825

Activity之间的跳转之显式意图

1.先建立一个MainActivity页面 布局页面代码: <?xml version="1.0" encoding="utf-8"?> <Button android:id="@+id/btn_open" android:layout_width="wrap_content" android:layout_height="wrap_content" android:text="通过显示意图打开新页面" android:textColor="#00

puerhuo的博客 357

避坑指南:为什么你的conda环境装不上Mamba?从CUDA到ABI的深度排查

本文深入解析conda环境中安装Mamba架构时常见的CUDA版本冲突、ABI不匹配等问题,提供从基础检查到深度排查的系统化解决方案。针对`causal-conv1d`和`mamba-ssm`安装失败场景,详细讲解PyTorch版本绑定、编译器工具链兼容性等关键技术要点,并给出预编译wheel选择、动态链接库配置等实用修复方案。

weixin_33738555的博客 346

隐式意图的使用

提到隐式意图:首先应想到显示意图,也就是我们开发中常用的。 显示意图一般是打开本应用自己的界面使用;而隐式意图则是打开其他应用的界面,例如分享,打开mp3等,隐式意图是对自己代码进行保护。 上代码: <activity android:name="com.example.andong.share.implicitintent.OwnActivity">

qq_29427129的博客 1230

STK之Commu模块之三仿真卫星通信链路参数计算

考虑上述衰减的影响,可以得到卫星接收机输入端的载波功 [C] = [PT] +[GT] +[GR] -[L] -[L1] -[L2] (

juanhuokang2681的博客 8268

Android 日历提供器(三)

日历的Intent对象 你应用程序不需要读写日历数据的权限,它可以使用Android的Calendar应用程序支持的Intent对象来替代你的应用程序的读写权限。下表列出了Calendar提供器支持的Intent对象: 动作 资源标识(URI) 描述 附加功能 VIEW content://com.android.cal

FireOfStar的专栏 7195

CSP历年真题201503-1-图像旋转(C/C++)

一、问题描述 旋转是图像处理的基本操作,在这个问题中,你需要将一个图像逆时针旋转90度。 计算机中的图像表示可以用一个矩阵来表示,为了旋转一个图像,只需要将对应的矩阵旋转即可。 输入格式 二、输入格式 输入的第一行包含两个整数n, m,分别表示图像矩阵的行数和列数。 接下来n行每行包含m个整数,表示输入的图像。 三、输出格式 输出m行,每行包含n个整数,表示原始矩阵逆时针旋转90度后的矩阵。 四、...

GTboy100的博客 1671

电化学阻抗谱(EIS)在锂离子电池中的应用

摘要电化学阻抗谱(electrochemical impedance spectroscopy, EIS)是一种重要的电化学测试方法,在锂离子电池动力学反应机理研究及动力学参数测量等方面具有广泛的应用。在锂离子电池运行过程中,各反应步骤的动力学参数及时间常数不同,而EIS可以在较宽的频率范围内对体系施加小幅正弦激励信号,使得在特定频率下突出特定时间常数的电极过程,从而将复杂的电极过程分离,实现单一电极过程动力学的分析。通过对交流阻抗信息的研究,也可以为锂离子电池及其他电池的应用与管理、电化学过程设计及电极材

qiushireader的博客 2659

隐式意图实现跳转

1.建立两个activity分别时MainActivity和Main2Activity 布局页面的代码如下 MainActivity: <?xml version="1.0" encoding="utf-8"?> <Button android:id="@+id/btn_open" android:layout_width="wrap_content" android:layout_height="wrap_content" android:layout_

puerhuo的博客 454

Fluent新手必看:如何正确解读scaled residuals曲线(附常见问题排查)

本文详细解析了Fluent中scaled residuals曲线的解读方法及常见问题排查技巧。针对continuity残差居高不下、湍流模型收敛困难等典型问题,提供了网格质量检查、边界条件验证和求解策略调整的实用解决方案,帮助CFD新手快速掌握计算收敛性的关键判断标准。

weixin_28698059的博客 379

Android Intent显式与隐式跳转详细讲解

Android Intent是一种重要的消息传递机制,可用于在应用程序之间进行通信。Intent 可以分为显式 Intent 和隐式 Intent。显式 Intent 明确指定要启动的 Activity,而隐式 Intent 只指定 Action、Category、Data 等元素,由系统匹配合适的 Activity。Intent 可以传递数据,使用 putExtra() 方法添加键值对即可。数据类型可以是基本类型、字符串、Parcelable 对象等。Intent 还可以启动服务和发送广播。

qq_64125090的博客 3915

SmartFusion从FPGA到ARM(一)——MSS_GPIO点灯

文章目录前言GPIO点灯 前言 GPIO点灯

whik1194的博客 5271

骑砍Ⅱ霸主MOD开发(5)-2D界面

本文介绍了2D界面开发的技术框架,主要包括以下内容: 2D界面架构:由多个GauntletLayer(菜单/对话框/定制页面)和SceneLayer(3D页面)组成,支持屏幕切换和管理。 GauntletLayer实现:采用Movie(HTML页面)+ViewModel(动态数据)模式,支持优先级管理、焦点控制和事件响应。 2D控件系统:包括颜色字体、坐标布局、背景图(Sprite/Texture)等配置方式,支持自定义控件开发。 定制化页面开发:详细说明了游戏菜单和对话框的实现方法,包括状态管理、事件回调

骑砍战团&霸主MOD开发 1184

非侵入式AI:从显式指令到隐式意图的人机交互范式变革

人机交互的核心在于如何让机器理解人类意图。传统命令式交互要求用户将想法翻译为明确指令,存在认知翻译成本高、中断工作流等效率瓶颈。随着多模态感知与序列建模技术的发展,AI正从被动响应转向主动感知,通过分析用户行为流与数字环境上下文,识别隐式意图模式。这种非侵入式意图感知技术,旨在减少交互噪音,实现更流畅的人机协同。其工程价值在于构建高情商的工作流副驾驶,在代码开发、创意设计等场景中提供预测性协助。然而,该技术也面临意图建模准确性、隐私计算架构设计等核心挑战,需要在数据最小化与本地化处理原则下平衡效率与安全。当

weixin_33978044的博客 358

向华为学习——IPD流程体系之IPD术语

《IPD体系核心概念与业务术语解析》摘要: IPD(集成产品开发)是一种以市场为导向的结构化产品开发管理模式,通过跨部门协作、异步开发、CBB(通用构建模块)和管道管理等手段,实现产品全生命周期高效管理。体系包含七大核心要素:跨部门团队(如IPMT决策层、PDT执行层)、结构化流程(分阶段评审)、端到端项目管理(WBS分级计划)、客户需求分析、投资组合优化及质量管控(TR技术评审)。各业务领域术语涵盖财务(NPV、IRR)、开发(需求分解、基线化)、制造(可制造性设计)、采购(Sourcing团队)及市场(

cdfunlove的博客 483

GUI隐式意图对齐技术:原理、实现与应用

在人工智能与用户体验交叉领域,意图识别技术正成为提升人机交互效率的关键。其核心原理是通过分析用户行为序列与界面上下文,构建从低级操作到高级意图的映射模型。技术实现上通常结合多模态特征融合(如鼠标轨迹与界面语义)和时序建模(如LSTM或Transformer),其中注意力机制能有效捕捉关键交互特征。该技术在电商比价、智能表单等场景展现显著价值,例如通过识别用户的犹豫模式自动提供决策支持。当前前沿方向包括基于图神经网络的跨平台意图追踪,以及利用强化学习优化主动干预策略。隐式意图对齐作为典型应用,通过实时解析GU

weixin_30650039的博客 382

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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")

GUI代理中的隐式意图识别与个性化交互优化

在人工智能与人机交互领域,意图识别是实现智能代理的核心技术之一。其基本原理是通过分析用户行为序列、界面交互模式等特征,利用深度学习模型(如LSTM和注意力机制)推断用户潜在需求。这项技术的工程价值在于能显著提升操作效率,在设计软件辅助、复杂系统控制等场景中,可减少30%以上操作步骤。当前最前沿的解决方案采用双塔模型架构和对比学习,结合个性化记忆网络实现意图对齐。特别是在GUI代理开发中,隐式意图识别配合实时推理优化,能在200ms内完成高精度预测,成为提升用户体验的关键突破点。

weixin_33724570的博客 386

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

意图和意图过滤器

文章译自:http://developer.android.com/intl/zh-CN/guide/components/intents-filters.html 文章内容 意图对象意图解析 意图过滤器常见情况使用意图匹配 记事本示例 意图和意图过滤器 应用的三个核心组件 — 活动,服务和广播接收器 — 通过

wanjf_912的专栏 1696

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!

什么是搜索意图?如何预测用户的下一个搜索意图?

本文剖析了搜索意图如何塑造用户与搜索引擎的互动,并进一步揭示了下一个搜索意图的奥秘。通过细致的分析,我们不仅理解了用户在特定查询背后的意图,还探索了如何通过这些意图预测并引导用户的下一步搜索行为。

阿福赚美刀 2859

提升转化率:AI原生应用中用户意图理解的实战技巧

你的AI应用中,用户最常出现的“意图理解错误”是什么?用今天讲的技巧,你打算怎么优化?欢迎在评论区留言,我们一起讨论!(注:文中数据来自《2023 AI产品转化率报告》《Google AI用户体验研究》)

Agentic AI人工智能与大数据正在引领一场新智能科技革命。 1086

大模型LLM | 微软:RAG并不是你唯一的解决方案(显式事实查询、隐式事实查询、可解释推理查询、隐式推理查询)

微软亚洲研究院(MSRA)提出了一种。

star_nwe的博客 1374

Android 学习之显式激活与隐式激活Activity

在res界面里面有两个布局文件activity_main和acivity_two activity_main里面有如下四个按钮 LinearLayout xmlns:android="http://schemas.android.com/apk/res/android" xmlns:tools="http://schemas.android.com/tools"

guduruhuan2的专栏 410
上一篇: 在SQL数据库保存数据
下一篇: 从一个活动获得结果
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