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
400+累计阅读
439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
Android Launcher 源码解析：Launcher的源码启动过程讲解
Android中的Launcher（启动器）是用户与设备交互的重要界面之一，它负责展示设备上的应用程序列表和提供快速访问常用应用的功能。本文将详细解析Launcher的源码启动过程，并通过相关源代码进行说明。
Launcher的启动过程主要包括以下几个关键步骤：
LauncherActivity。在AndroidManifest.xml文件中，通过声明该Activity为启动器的主Activity，指定其intent-filter为android.intent.action.MAIN和android.intent.category.HOME，使得系统在启动时会自动加载LauncherActivity。<activity
android:name=".LauncherActivity"
android:launchModeAndroid深入四大组件（六）Android8.0 根Activity启动过程（前篇）
当我开始阅读Android 8.0源码时发现应用程序（根Activity）启动过程照Android 7.0有了一些变化，因此又写下了本篇文章，本篇文章照此前的文章不仅流程发生变化，而且增加了一些分析，算是升级版本。由于篇幅较长，Android8.0 根Activity启动过程仍旧分为前篇和后篇来进行讲解。
Android Launcher3深度定制指南：从源码解读到实战优化
Launcher作为Android系统的核心用户界面，其定制开发涉及系统框架与应用层的深度交互。理解其模块化架构与数据加载原理，是进行功能扩展与性能优化的基础。在Android 10/11版本中，手势导航集成、作用域存储适配等新特性，进一步提升了定制的技术价值。本文聚焦于Launcher3的深度定制，通过解析核心模块如CellLayout、InvariantDeviceProfile及QuickStep，并结合实战案例，系统阐述如何实现桌面网格调整、手势交互优化等定制需求，为ROM定制与系统开发提供工程实践
Android深入四大组件（七）Android8.0 根Activity启动过程（后篇）
当我开始阅读Android 8.0源码时发现应用程序（根Activity）启动过程照Android 7.0有了一些变化，因此又写下了本篇文章，本篇文章照此前的文章不仅流程发生变化，而且增加了一些分析，算是升级版本。由于篇幅较长，Android8.0 根Activity启动过程仍旧分为前篇和后篇来进行讲解。
Android Launcher3深度定制开发：从架构解析到实战优化
Android启动器（Launcher）是用户与移动设备交互的核心入口，其底层架构基于AOSP（Android开源项目）的Launcher3框架。理解其工作原理，涉及View系统、数据模型与手势处理等关键技术，是进行深度定制和性能优化的基础。通过定制Launcher，开发者不仅能打造差异化的用户体验，更能深入掌握系统级UI应用的设计与实现，提升Android开发综合能力。本文聚焦于Android 10/11版本的Launcher3，深入剖析其核心架构，并提供从环境搭建、UI/交互重塑到功能增强（如智能分类、
【源码剖析】Launcher 8.0 源码 (12) --- Launcher 启动流程 第六步之简述
Launcher8.0启动流程的第六步生成布局，Launcher启动流程中最重要，最复杂，也是网上各种关于Launcher讲解的最浓墨淡彩描述的部分。 第六步onCreate中源码如下： if (!mModel.startLoader(currentScreen)) { mDragLayer.setAlpha(0); } else { mWorkspa...
【源码剖析】Launcher 8.0 源码 (13) --- Launcher 启动流程 第六步之LoadWorkspace 第1小步（1）call LauncherProvider
Launcher8.0启动流程的第六步生成布局，Launcher启动流程中最重要，最复杂，也是网上各种关于Launcher讲解的最浓墨淡彩描述的部分。其中的一部分loadworkspace就非常复杂涉及很多代码。 从逻辑Loadworkspace一共可以分两小步，第1小步是获取数据库，如果有数据库则直接进入第2小步，如果数据库为空则从xml布局文件生成数据库。第2小步，从数据库读取信息存放到sB...
安卓《我的世界》基岩版启动器LeviLauncher：多版本管理与模块加载指南
在安卓应用生态中，动态加载与沙盒隔离技术是实现应用多版本共存与功能扩展的核心原理。通过动态解析APK文件、创建独立运行环境，开发者能够在不影响系统安装状态的前提下，实现应用的免安装启动与模块化加载。这一技术不仅提升了应用管理的灵活性，也为游戏性能优化、功能测试等场景提供了工程实践方案。在《我的世界》基岩版中，玩家常面临版本管理僵化与扩展能力受限的痛点。LeviLauncher作为一款开源启动器，巧妙运用了动态加载与沙盒隔离技术，支持多版本隔离运行、原生SO模块加载与多账号管理，为安卓平台的正版玩家提供了更高
Android——简单易懂说原理之Android系统启动流程及应用程序进程启动过程（热修复、插件化基础）
写在前面：这是“简单易懂说原理”系列的第二篇文章。有很多阅读源码的讲解文章，其实很多人是看不进去的，比如我，一堆源码当时能看懂，但是在脑中形成不了图，正所谓记得快忘的也快，所以这次准备利用图表+文字的形式来尝试用简单易懂的方式来讲述下常见功能的背后原理。 这次准备写一些比较底层原理的东西，但是又不想受制于系统版本的限制，基本是一个共通的原理。目前的想法应该会是一个由几篇文章组成的一个系列。写这个系列的初衷是现在无论是热修复还是插件化都太火了，但是不懂底层原理仅会用框架这种，一旦环境有变化，或者原有框架不再维
Android应用启动性能优化：Binder通信机制源码深度解析
进程间通信（IPC）是操作系统实现多进程协作的核心机制，它允许不同进程安全高效地交换数据和指令。在Android系统中，Binder作为其特有的IPC机制，通过一次拷贝、内存映射等设计，在性能与安全性之间取得了平衡，成为系统服务与应用进程间通信的基石。从技术价值看，Binder不仅保障了系统架构的清晰分层与安全隔离，更是应用启动流畅性、系统响应速度的关键支撑。在应用启动这一典型场景中，从Launcher点击图标到Activity界面显示，AMS、Zygote、应用进程三者间数十次的Binder调用构成了启动
Android 进阶解密 - 系统启动，腾讯Android开发面试凉凉
SystemServer 进程被创建后，主要做了如下工作：启动 Binder 线程池，这样就可以与其他进程进行通信。创建 SystemServerManager，其用于对系统的服务进行创建、启动和生命周期管理。启动各种系统服务。（引导服务、核心服务和其他服务）引导服务：AMS、PMS等等四、Android系统启动流程总结当电源键按下时引导芯片代码从预定义的地方（固化在 ROM）开始执行。加载引导程序 BootLoader 到 RAM，然后执行。
Android Launcher 源码解析与启动流程
通过对Launcher的各个核心组件的分析和调用关系的解析，我们可以更好地理解Launcher的运行机制。Launcher作为Android系统的入口界面，扮演着重要的角色，为用户提供了良好的桌面体验。DragLayer的创建：LauncherModel初始化完成后，系统会创建DragLayer对象，并将其作为Launcher的根视图。Android的Launcher（启动器）是用户与设备交互的第一个界面，它负责加载并展示主屏上的应用图标、小部件和壁纸等内容。二、Launcher的启动流程。
RK3568平台开发系列讲解（安卓篇）Android编译过程介绍
当前目录下编译执行，相当于在android目录下执行make 本文介绍Android的编译过程及各种mk文件的导入 1.编译 a.编译步骤 清理 sh $ make clobber 初始化环境 sh $ source ./build/envetup.sh # 这个命令是用来将envsetup.sh里的所有用到的命令加载到环境变量里去 选择编译目标 sh $ l...
android8.0 Launcher源码 (11) --- Launcher 启动流程桌面布局(3)
这篇依然讲解桌面布局的创建，这一部分依然服务于setupViews，创建每一个UI模块，所有模块都创建完了也就组成了完整的Launcher。 workspace进行基本绑定 我们先来看这一段的代码，代码主要做了workspace的基本绑定。 // Setup the workspace mWorkspace.setHapticFeedbackEnabled(false)...
Android 12.0 Launcher3桌面显示多个相同app图标的解决办法
在12.0的系统ROM定制化开发中，在Launcher3的系统原生桌面中，在显示桌面的时候，在禁用和启用app的功能测试的时候，会发现有多个相同app的图标显示在桌面 这对Launcher3的体验效果不是很好，所以为了优化产品，需要解决这个bug，然后让产品更完善，接下来看下具体功能的实现方法
android Launcher源码详解
android源码的Launcher详细解析，分析Launcher的运行机制
Android-launcher源码全面分析
Android-launcher源码全面分析 一 Launcher默认界面配置（default workspace） 2 1 界面默认配置文件 2 2 LauncherProvider java的loadFavorites分析 3 二 Icon修改 界面布局调整 壁纸设置 5 1 图标大小和标题大小 5 2 Launcher 图标加入默认背景 6
强化学习新手上路：用PPO-Clip轻松玩转Pendulum-v1（PyTorch保姆级教程）
本文提供了一份基于PyTorch的PPO-Clip算法实战教程，指导强化学习新手在Pendulum-v1环境中构建连续控制智能体。教程详细解析了PPO-Clip的核心机制，特别是其Clip机制如何限制策略更新幅度以确保训练稳定，并涵盖了从环境配置、策略网络设计、经验收集到完整训练框架搭建的全过程，是掌握连续动作空间强化学习的实用指南。
基于Ansys Fluent和Mechanical的血管稳态流固耦合模型
流固耦合模型在医学中也会被用到，本次小编为大家带来针对人造血管内血液流动的仿真实例。 在开物云平台上找到Workbench 点击进入：https://cloud.yuansuan.cn/?user_source=community 在左侧的Toolbox中找到对应的模块：Fluid Flow(Fluent)和Static Structure 双击“Geometry”，进入建模功能 文件-打开-找到保存的模型文件 退回到主界面，在fluid flow(Fluent)中找到mesh
基于单片机的自动喷淋系统设计【毕业设计】
随着人民生活质量提高与生活节奏的加快，城市居民对于花草绿植的家庭培养与装饰需求增加，随之因浇灌植物的需要，智能浇花系统的市场逐渐扩大。现有自动浇花系统大部分只能通过设置固定浇水时间而难以实现适时、适量浇水，或在植物环境土壤含水量低时进行报警而并不能实际补水。为克服局限性而设计以单片机为控制中心的自动浇花系统。通过湿度传感器检测目标植物环境土壤湿度数据，再经ADCO832将其放大转换为数字量，由单片机读取输出向LCD1602 显示屏显示并通过比对键盘向单片机所设置的湿度范围而利用中断服务程序进行补水需求判断。
如何使用AutoDl平台跑自己的模型（纯干货，步骤很详细）
记录我使用AutoDL云服务器来跑自己模型的全过程
配置适合Gurobi的机器硬件环境需要考虑的因素
介绍了在为gurobi选择合适的硬件环境时，需要考虑三个方面的因素；
NEU-DET 冷轧钢缺陷检测：基于 YOLOv8 的目标检测与可视化 UI 实现
冷轧钢的生产过程中，由于设备故障、工艺问题或者人为因素，钢板表面可能会出现多种缺陷，如划痕、裂纹、孔洞等，这些缺陷会严重影响钢材的质量。它比之前的版本（如 YOLOv5、YOLOv4）在速度和精度上都有显著提升，并且对硬件要求较低，适合进行工业界面和嵌入式系统的应用。这些版本相较于更大型的模型（如 YOLOv8x）具有更快的推理速度和较低的资源占用，适合工业生产线中的实时应用。通过将训练好的模型部署到工业生产线摄像头中，我们可以实现实时的缺陷检测，极大地提升生产效率和产品质量。
2025年7月5日全国青少年信息素养大赛Python编程初中组复赛真题+答案解析
2025年7月5日全国青少年信息素养大赛Python编程初中组复赛真题+答案解析
基于Playwright与异步技术的公司评价智能爬取实战：以Glassdoor为例
本文将介绍一套基于最新Python技术的智能爬虫解决方案，使用Playwright实现浏览器自动化，结合异步编程和智能解析技术，高效抓取Glassdoor等平台的公司评价数据。我们不仅关注数据获取，更注重数据的结构化处理和反反爬虫策略的实现。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
4921
扫一扫
