【面试必备】Android UI 绘制相关面试整理

不秃头de程序猿 不秃头de程序猿 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 309平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-07-08 12:15:32 发布 309 阅读 AI 写同款· GEO 优化 ›
LinearLayout 绘制流程解析 太久没有好好学习Android的基础知识了，趁机好好静下心来学习、输出。 LinearLayout绘制流程 RelativeLayout绘制流程 ListView原理 RecyclerView原理 protected void onMeasure(int widthMeasureSpec, int heightMeasureSpec) { if (mOrientation == VERTI... 阅读详情

1、Android 补间动画和属性动画的区别？

alt
alt

2、Window和DecorView是什么?DecorView又是如何和Window建立联系的?

Window是 WindowManager 最顶层的视图，它负责背景(窗口背景)、Title之类的标准的UI元素， Window是一个抽象类，整个Android系统中， PhoneWindow是 Window的唯一实现类。至于 DecorView，它是一个顶级 View，内 部会包含一个竖直方向的LinearLayout，这个LinearLayout 有上下两部分，分为 titlebar 和contentParent两个子元素，contentParent的id是content，而我们自定义的 Activity 的布局就是
contentParent 里面的一个子元素。View 层的所有事件都要先经过 DecorView 后才传递给我们的 View。
DecorView 是 Window 的一个变量，即 DecorView 作为一切视图的根布局，被 Window 所持有，我们自定义的View 会被添加DecorView，而DecorView又会被添加到Window 中加载和渲染显示。

3、简述一下 Android 中 UI 的刷新机制？

界面刷新的本质流程

  • 通过ViewRootImpl的 scheduleTraversals()进行界面的三大流程。
  • 调用到scheduleTraversals()时不会立即执行， 而是将该操作保存到待执行队列中。并给底层的刷新信号注册监听。
  • 当 VSYNC信号到来时，会从待执行队列中取出对应的scheduleTraversals()操作，并将其加入到主线程 的消息队列中。
  • 主线程从 消息队列中取出并执行三大流程:
    onMeasure()-onLayout()-onDraw()

同步屏障的作用

  • 同步屏障用于阻 塞 住所有的同步消息(底层VSYNC
    的回调onVsync方法提交的消息是异步消息)
  • 用于保证界面刷新功能的performTraversals()的优先执
    行。

同步屏障的原理？

  • 主线程的Looper会一直循环调用MessageQueue的 next方法并且取出队列头部的Message执行，遇到同步屏障(一种特殊消息)后会去寻找异步消息执行。如果没 有找到异步消息就会一直阻塞下去，除非将同步屏障 取出，否则永远不会执行同步消息。
  • 界面刷新操作是异步消息，具有最高优先级
  • 我们发送的消息是同步消息，再多耗时操作也不会影响UI的刷新操作

4、LinearLayout, FrameLayout,RelativeLayout 哪个效率高, 为什么？

对于比较三者的效率那肯定是要在相同布局条件下比较绘制的流畅度及绘制过程，在这里流畅度不好表达，并且受其
他外部因素干扰比较多，比如CPU、GPU等等，我说下在绘制过程中的比较

  • Fragment是从上到下的一个堆 叠的方式布局的，那当然是绘制速度最快，只需要将本身绘制出来即可，但是由于它的绘制方式导致在复杂场景中直接是不能使用的，所以工作效率来说Fragment仅使用于 单一场景
  • LinearLayout 在两个方向上绘制的布局，在工作中使用页比较多，绘制的时候只需要按照指定的方向绘制，绘制效率比Fragment要慢，但使用场景比较多，
  • RelativeLayout 它的没个子控件都是需要相对的其他控件来计算，按照View树的绘制流程、在不同的分支上要进行计算相对应的位置，绘制效率最低，但是一般工作中的 布局使用较多，所以说这三者之间效率分开来讲个有优势、不足，那一起来讲也是有优势、不足，所以不能绝对的区分三者的效率

5、谈谈Android的事件分发机制？

当点击的时候，会先调用顶级viewgroup的dispatchTouchEvent，如果顶级的viewgroup拦截了此事件
（onInterceptTouchEvent返回true），则此事件序列 由顶级viewgroup处理。如果顶级viewgroup设置
setOnTouchListener，则会回调接口中的onTouch，此时顶级的viewgroup中的onTouchEvent不再回调，如果不设 置
setOnTouchListener则onTouchEvent会回调。如果顶级viewgroup设置setOnClickListener，则会回调接口中的
onClick。如果顶级viewgroup不拦截事件，事件就会向下传递给他的子view，然后子view就会调用它的
dispatchTouchEvent方法。

6、针对RecyclerView你做了哪些优化？

  • onBindViewHolder.
    这个方法含义应该都知道是绑定数据，并且是在UI线程，所以要尽量在这个方法中少做一些业务处理
  • 数据优化.
    采用androidSupport 包下的DIffUtil集合工具类结合RV分页加载会更加友好，节省性能
  • item优化.
    减少item的View的层级，（pps:当然推荐把一个item自定义成一个View，如果有能力的话）,如果item的高度固定的话可以设置setHasFixedSize(true),避免requestLayout浪费资源
  • 使用RecycledViewPool.
    RecycledViewPool是对item进行缓存的,item相同的不同RV可以才使用这种方式进行性能提升
  • Prefetch预取.这是在RV25.1.0及以上添加的新功能，预取详情资源回收.
    过重写RecyclerView.onViewRecycled(holder)来合理的回收资源

7、谈谈如何优化ListView？

ViewHolder什么的持有View预加载/懒加载数据什么的
大招：用RecyclerView替换ListView 绝招：直接删除控件

8、谈谈自定义LayoutManager的流程？

  • 确定Itemview的LayoutParamsgenerateDefaultLayoutParams
  • 确定所有itemview在recyclerview的位置，并且回收和复 用itemviewonLayoutChildren
  • 添加滑动canScrollVertically

9、什么是 RemoteViews？使用场景有哪些？

RemoteViews翻译过来就是远程视图.顾名思义,RemoteViews不是当前进程的View,是属于SystemServer进程.应用程序与RemoteViews之间依赖Binder实现了进程间通信.

用法：通常是在通知栏

> //1.创建RemoteViews实例
> RemoteViews mRemoteViews=new
> RemoteViews("com.example.remoteviewdemo", R.layout.remoteview_layout);
> //2.构建一个打开Activity的PendingIntent Intent
> intent=new
> Intent(MainActivity.this,MainActivity.class);
> PendingIntent
> mPendingIntent=PendingIntent.getActivity(Main
> Activity.this, 0, intent,
> PendingIntent.FLAG_UPDATE_CURRENT);
> //3.创建一个Notification
> mNotification = new
> Notification.Builder(this)
> .setSmallIcon(R.drawable.ic_launcher)
> .setContentIntent(mPendingIntent)
> .setContent(mRemoteViews)
> .build();
> //4. 获 取 NotificationManager
> manager = (NotificationManager)
> getSystemService(Context.NOTIFICATION_SERVICE
> );
> Button button1 = (Button)
> findViewById(R.id.button1);
> button1.setOnClickListener(new
> OnClickListener() {
> @Override
> public void onClick(View v) {
> //弹出通知
> manager.notify(1, mNotification);
> }
> });

10、谈一谈获取View宽高的几种方法？

  • OnGlobalLayoutListener获取
  • OnPreDrawListener获取
  • OnLayoutChangeListener获取
  • 重写View的onSizeChanged()
  • 使用View.post()方法

11、谈一谈插值器和估值器？

  • 插值器，根据时间（动画时常）流逝的百分比来计算属
    性变化的百分比。系统默认的有匀速，加减速，减速插值器。
  • 估值器，通过上面插值器得到的百分比计算出具体变化
    的值。系统默认的有整型，浮点型，颜色估值器
  • 自定义只需要重写他们的evaluate方法就可以了。

12、getDimension、getDimensionPixelOffset 和getDimensionPixelSize 三者的区别？

相同点：单位为dp/sp时，都会乘以density，单位为px则不乘

不同点：

  • getDimension返回的是float值
  • getDimensionPixelSize,返回的是int值，float转成int时，四舍五入
  • getDimensionPixelOffset,返回的是int值，float转int时，向下取整(即忽略小数值)

13、关于LayoutInflater，它是如何通过inflate 方法获取到具体View的？

系统通过LayoutInflater.from创建出布局构造器，inflate 方法中，最后会掉用createViewFromTag这里他会去判断两个参数factory2 和factory 如果都会空就会系统自己去创建view, 并且通过一个xml解析器，获取标签名字，然后判断是<Button还是xxx.xxx.xxView.然后走createView通过拼接得到全类名路径，反射创建出类。

14、谈谈RecyclerView的缓存机制？

scrap viewCacherecyclerPool：
scrap 是当前展示的缓存, 在onlayout时候 缓存viewCache 是屏幕外看不见的缓存, 可以吧viewCache设置大点, 空间换时间 避免段距离内快速滑动卡顿以上两种缓存是不走 createView和 onbind recyclerPool 比较特殊他是会走 onbind的,他可以被多个recyclerView共享内部的item,实际用途是:多个recyclerView之间共享item,应用在 垂直recyclerView 内嵌水平recyclerView,或者viewpager中多个recyclerView

下面为了帮助大家准备面试，免费分享由八年安卓大佬整理的《2023最新Android大厂高频面试题解析大全》，扫码获取!!

[2023最新Android大厂高频面试题解析大全]

第一章 Android 相关

在这里插入图片描述

第二章 性能优化

在这里插入图片描述

第三章 Java 相关

在这里插入图片描述

第四章 Kotlin 相关

在这里插入图片描述

第五章 网络相关

在这里插入图片描述

第六章 插件化&热修复&模块化&组件化

在这里插入图片描述

第七章 图片相关

在这里插入图片描述

第八章 Flutter 相关

在这里插入图片描述

有需要文中资料的朋友们可以扫码免费领取哦！

收录于
Android

当前文章被收录于：

Android
80 篇文章 2 人学习
订阅专栏 查看详情
标签
#android #面试
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Android 高级开发面试题以及答案整理 如今安卓开发不像前几年那么热门，但是高级人才依然紧缺，大家看着这句话是不是很熟悉，因为 web 高级人才也紧缺，c++ 高级人才一样紧缺，那么到了人工智能时代，人工智能时代的高级人才也同样会紧缺！似乎是高级人才的人在其他领域也是高级人才，而不是因为选择了热门才会一帆风顺。 鉴于此我整理了如下安卓开发高级工程师面试题以及答案帮助大家顺利进阶为高级工程师，目前本人就职于某大厂安卓高级工程师职位，通过我... 阅读详情

相关推荐

Android+音视频 全新面试题，求职/跳槽吊打面试官

每年的金三银四、金九银十都是程序员狂欢的时刻，众多企业在这个时期也都大规模的进行招聘。

m0_64420071的博客 1931

Android中RemoteViews应用与原理：通知栏和桌面小部件

关键字：RemoteView、通知栏、桌面小部件 转载请注明链接：http://blog.youkuaiyun.com/feather_wch/article/details/79175518 本文包含RemoteView在通知栏和桌面小部件上的使用、RemoteViews的内部原理、RemoteViews的意义。 所有知识点都以面试提问的形式总结。 RemoteViews应用与原理：...

feather(猎羽) 1322

华为昇腾 910B 实战：DeepSeek-R1 蒸馏模型高效部署与性能调优全解析

本文详细解析了在华为昇腾910B硬件平台上高效部署DeepSeek-R1蒸馏系列模型（14B/32B版本）的完整实战流程。内容涵盖从MindIE环境搭建、镜像获取、模型准备，到服务配置、内存参数调优、性能测试及常见问题排查，为开发者提供了基于昇腾910B进行大模型部署与优化的全链路指南。

weixin_28235513的博客 211

Android面试题（牛客）

1. ContentResolver和 ContentProvider是一对。一个运行在提供数据端(provider),一个运行在调用端(resolver)。使用的时候利用resolver来调用provider的方法(query,insert,update等)，然后provider再进行数据查询      Cursor是游标，返回结果集的。provider的query可以返回这中类型的结果。

with的博客 331

保姆级避坑指南：在Ubuntu 18.04上搞定速腾Helios雷达驱动与fast-LIO2的完整配置流程

本文提供了一份详细的速腾Helios雷达与fast-LIO2在Ubuntu 18.04上的配置避坑指南，涵盖驱动安装、数据格式转换到建图全流程。特别针对常见编译错误和数据转换问题提供了解决方案，帮助开发者高效完成环境搭建与建图任务。

weixin_27252001的博客 115

群晖NAS实战：从零部署Container Manager与Docker代理配置全攻略

本文详细介绍了在群晖NAS上从零部署Container Manager与配置Docker代理的完整流程。针对国内用户常见的镜像拉取问题，提供了图形化界面与SSH命令行两种解决方案，并分享了MySQL容器部署的实战案例。文章特别强调了网络配置技巧和日常维护方法，帮助用户高效管理NAS上的容器应用。

weixin_29254673的博客 1308

RecyclerView回收复用机制源码解析

一.几个问题 1.回收什么？复用什么？ 都是ViewHolder。它是对ItemView的封装，可以理解成就是ItemView 二.回收/缓存机制 我们研究是问题，就是你使用RecyclerView，滑动屏幕的时候，那些移出屏幕的ViewHolder是怎么被回收的，那些刚进来屏幕的ViewHolder是怎么被复用的。 我们最开始想到的应该是去RecyclerView的onTouchEvent方法，因为滑动屏幕的时候触发了回收复用机制。 在onTouchEvent中，有两种大情况，一是move事件，再一个是n

Android小白 1014

基于Codex与Skills的学术研究自动化全流程实战指南

还在为海量文献下载、整理、阅读和综述写作而头疼吗？面对堆积如山的PDF，你是否感到无从下手？从选题、文献检索、到写作、绘图、润色，再到应对AI检测和审稿意见，学术研究的每一步都充满挑战。本文将为你带来一套堪称“王炸组合”的解决方案： Codex + Skills 。这不是简单的工具介绍，而是一套从零开始，覆盖学术研究全流程的保姆级实战教程。我们将手把手教你如何安装、配置，并利用强大的Skills（技能）自动化处理文献下载管理、高效撰写综述、生成专业图表、智能润色降重，直至应对审稿。无论你是科研新手还是希望提

weixin_29041195的博客 766

关于RemoteView的一点愚见（RemoteView在AppWidget中的工作流程）

之前复习了实现桌面小部件的时候,知道了其中运用到了RemoteView这个特殊的类。这个类，顾名思义就是远程视图。可以跨越进程的显示View。 这也就诞生了一些特殊应用，比如说，我们完成远程的显示视图。之前复习的AIDL也可以办到这一点，但是相比于直接使用RemoteView来说的确是复杂了那么一点。 不过RemoteView的缺点也是很明显的，为了提高RemoteView的进程间通讯的速度，RemoteView只

yujunyu12的博客 4966

2-6-1-1 QNX编程入门之进程和线程（一）

文章围绕进程和线程展开介绍。先是将进程类比为房子，线程类比为居住者，阐述其基本概念，如进程占用内存，线程可共享内存。接着讲解同步相关内容，介绍了互斥，线程通过互斥锁来控制对特定资源的访问，像使用浴室一样。还提到优先级，线程按优先级和等待时长来决定获取资源顺序。此外，说明了信号量，以厨房为例，区分计数为 1 和大于 1 的信号情况，且指出信号量可当互斥锁用，但互斥锁是特殊用途信号量，二者存在区别，最后提及后续会介绍其他同步机制。

星原飞火的博客 1324

贝叶斯核机回归估计混合物健康效应 【BKMR包】——实操篇

使用 ggplot2包绘制 h 的截面# 绘制总体风险摘要。

三分钟热度 5383

看完99%的人都学会了！腾讯、字节跳动面经已发，完整版开放下载

前言 伟人曾经说过： 书是人类进步的阶梯 书中自有黄金屋，书中自有颜如玉 读书破万卷，下笔如有神 书是唯一不死的东西。 书籍是伟大的天才留给人类的遗产。 最近有很多朋友在我的公众号上提问“Android开发的经典入门教材和学习路线？”、“Android 开发入门教程有哪些推荐？”等类似的问题，我们不断重复回答这些问题，这让我萌生了做 2020ndroid开发爆款书籍推荐：从小白—Android高级工程师系列学习路线书籍介绍的想法，整理收集开发大牛的学习经验，以便让我们少走弯路，更快速成长。希望

616

Linux | Ubuntu18.04安装WIFI6 AX201驱动完整教程

本节介绍了如何在Ubuntu18下安装AX201驱动的教程。

九七的博客 8883

面试题经典，安卓高级 UI 代码整理和博客代码 Demo，你不懂还不学

好了，今天的分享就到这里，如果你对在面试中遇到的问题，或者刚毕业及工作几年迷茫不知道该如何准备面试并突破现状提升自己，对于自己的未来还不够了解不知道给如何规划，可以来看看同行们都是如何突破现状，怎么学习的，来吸收他们的面试以及工作经验完善自己的之后的面试计划及职业规划。，由于篇幅有限，这里以图片的形式给大家展示一部分免费分享给大家，主要还是希望大家在如今大环境不好的情况下面试能够顺利一点，希望可以帮助到大家~这里放上一部分我工作以来以及参与过的大大小小的面试收集总结出来的相关的几十套。

pckzzy119的博客 703

深度解析：LPDDR5 采样 Mask 背后的秘密 —— 从 Jitter 到 BER 全面剖析

在 LPDDR5 中，CK/DQS 信号相当于“指挥棒”，而数据（DQ）要在时钟节拍里被准确采样。Crosspoint Mask 区域横轴：时间 (Time)纵轴：电压 (Vref)👉 只要采样点落在这个区域内，数据就是正确的。否则就会出错。BERPBERPMask 就像高速公路的收费站口，如果车（采样点🚗）在车道内，顺利通过；一旦跑偏，就撞护栏。LPDDR5 的速率极高，UI 非常短，Mask 区域成为核心指标各种 Jitter、Noise 会不断压缩 Mask。

weixin_43199439的博客 354

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 面试必备 - 知识图谱

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。深知大多数初中级Android工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则近万的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！因此收集整理了一份《2024年Android移动开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

2401_83817916的博客 661

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

2024年最新Android面试题整理(1)，安卓面试经验

给大家送上我成功跳槽复习中所整理的资料，由于文章篇幅有限，所以只是把题目列出来了网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化学习资料的朋友，可以戳这里获取一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

2401_84558590的博客 995

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

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 面试必备之 JVM 相关口水话，android的基础ui组件

所谓的大对象是指需要连续大量内存空间的 Java 对象，比如数组，一般来说，超过 3M 的对象会直接在老年代进行分配。既然虚拟机采用了分代收集的思想来管理内存，那么内存回收就必须得识别哪些对象应放在新生代还是老年代。为了做到这一点，虚拟机给每个对象定义了一个对象年龄计数器。

m0_57502067的博客 1069

安卓开发快速学习！Android-高级开发面试题以及答案整理

前言 如今安卓开发不像前几年那么热门，但是高级人才依然紧缺，大家看着这句话是不是很熟悉，因为 web 高级人才也紧缺，c++ 高级人才一样紧缺，那么到了人工智能时代，人工智能时代的高级人才也同样会紧缺！似乎是高级人才的人在其他领域也是高级人才，而不是因为选择了热门才会一帆风顺。 网上高级工程师面试相关文章鱼龙混杂，要么一堆内容，要么内容质量太浅， 鉴于此我整理了如下安卓开发高级工程师面试题以及答案帮助大家顺利进阶为高级工程师，目前我就职于某大厂安卓高级工程师职位，在当下大环境下也想为安卓工程师出一份力，通过

m0_57501529的博客 213

GitHub 上优质项目整理

（11）基于DataBinding框架，MVVM设计模式的一套快速开发库，整合Okhttp+RxJava+Retrofit+Glide等主流库，满足日常开发需求。（15）最最轻量级的新手引导库，能够快速为任何一个View创建一个遮罩层，支持单个页面，多个引导提示，支持为高亮区域设置不同的图形，支持引导动画，方便扩展,良好支持fragment。（25）滴滴开源，一款功能齐全的客户端（ iOS 、Android ）研发助手，你值得拥有。（3）收集 Android 开发相关最具价值的面试题及常见套路，持续更新…

2401_87167773的博客 1847

Android最全python3使用kivy生成安卓程序(1)，【面试必备】

下面是有几位Android行业大佬对应上方技术点整理的一些进阶资料。希望能够帮助到大家提升技术高级UI，自定义ViewUI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！网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化学习资料的朋友，可以戳这里获取一个人可以走的很快，但一群人才能走的更远！

2401_84556681的博客 878

我肝了3个月终于整理出了这份超全面的《Android面试题及解析》，面试不再怕的了！

为什么很多程序员做不了架构师？1、良好健康的职业规划很重要，但大多数人都忽略了2、学习的习惯很重要，持之以恒才是正解。3、编程思维没能提升一个台阶，局限在了编码，业务，没考虑过选型、扩展4、身边没有好的架构师引导、培养。所处的圈子对程序员的成长影响巨大。金九银十面试季，跳槽季，整理面试题已经成了我多年的习惯！在这里我和身边一些朋友特意整理了一份快速进阶为Android高级工程师的系统且全面的学习资料。涵盖了Android初级——Android高级架构师进阶必备的一些学习技能。

2401_84122826的博客 1239

2024年安卓最新Android 面试必备之 JVM 相关口水话，腾讯三面多久出结果

我还总结出了互联网公司Android程序员面试涉及到的绝大部分面试题及答案，并整理做成了文档，以及系统的进阶学习视频资料分享给大家。 （包括Java在Android开发中应用、APP框架知识体系、高级UI、全方位性能调优，NDK开发，音视频技术，人工智能技术，跨平台技术等技术资料），希望能帮助到你面试前的复习，且找到一个好的工作，也节省大家在网上搜索资料的时间来学习。网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化学习资料的朋友，

2301_82244125的博客 870

2024年安卓最全Android 面试必备 - 知识图谱，2024年最新在线面试指南

开发是需要一定的基础的，我是08年开始进入Android这行的，在这期间经历了Android的鼎盛时期，和所谓的Android”凉了“。中间当然也有着，不可说的心酸，看着身边朋友，同事一个个转前端，换行业，其实当时我的心也有过犹豫，但是我还是坚持下来了，这次的疫情就是一个好的机会，大浪淘沙，优胜劣汰。再等等，说不定下一个黄金浪潮就被你等到了。330页 PDF Android核心笔记几十套阿里 、字节跳动、腾讯、华为、美团等公司2020年的面试题PDF和思维脑图，包含知识脉络 + 诸多细节。

2401_84557161的博客 933

涨薪必备:2022Android中高级面试必知百题

面试一般都是基于个人简历来进行的，首先会先去考察个人的基础，然后考察个人的知识体系的完备程度，再然后会考察个人的极限，最后还会考察一些软技能，比如说个人的学习能力、协作能力、沟通能力、分析解决和解决问题的能力以及个人的抗压能力等，为了帮助有需要的人，我在这里分享一份《2022中高级Android面试必知百题 》包含各个大厂的高频面题及行业最新技术，是由阿里P6的大佬花两月时间整理和完善而出，资料内容全面、结构清晰，非常适合想要求职/跳槽的伙伴！第一章 Java 方面**...

m0_64365896的博客 310
上一篇： 【性能优化篇】2023最新Android性能优化指南，让你轻松拿捏性能优化
下一篇： 【建议收藏】腾讯内部Android面试手册现已开源！
点赞 0
评论 0
书签 书签 1
不秃头de程序猿
不秃头de程序猿
博客等级 码龄5年 4089粉丝 1478原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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