day07-事件分发

本文介绍了Android事件处理机制,包括基于监听和基于回调的两种处理方式。基于监听涉及事件源、事件和事件监听器,有特定编程步骤;基于回调的事件源和监听器统一,可通过自定义View实现。还阐述了事件分发,包括重要方法及Activity的相关方法。

Android事件

用户点击屏幕或者按键就产生了事件。
当用户在程序界面上执行各种操作时,应用程序必须为用户提供响应的动作,这种响应的动作需要通过Android事件处理机制来完成。

Android提供了两种处理事件的机制:

1,基于监听的事件处理。

Android常见的事件监听器有。

1、OnClickListener
2、OnTouchListener
3、OnKeyListener

基于监听的涉及到三类对象:

A,事件源:事件产生的场所,例如按钮,菜单,按键等。
B,事件: 封装了界面上发生的特定的事情。
C,事件监听器:负责监听事件源发生的事件的对象。
Android每个控件都可以对特定事件指定一个事件监听器,每个事件监听器也可以监听一个或者多个控件。

基于监听事件的编程步骤:

1,获取普通的控件。
2,实现监听器类。
3,注册监听器。例如 setOnClickListener等。
在这里插入图片描述

2,基于回调的事件处理。

对于基于回调机制的事件处理模型来说,事件源和事件监听器时统一的,当用户在控件上操作时,控件自身要提供特定的方法处理该事件。

继承某个控件,重写该回调方法来实现对事件的处理。
以View为例,提供了一些事件处理回调方法。

onKeyDown(KeyEvent event) 当用户在该组件上按下某个按键时触发。
onTouchEvent(MotionEvent event) 当用户在该组件触摸时触发该方法。

ViewGroup 还有:onInterceptTouchEvent(MotionEvent event)。
基于回调的处理机制可以通过自定义View来实现。
在这里插入图片描述
基于回调的事件方法返回值时boolean类型,这就牵扯到事件的分发,我们所说的事件的分发就是讲的回调事件的分发。
例如:如果onTouchEvent返回值为true,表示消费了该事件,事件不在分发。
如果onTouchEvent返回值为false,表示不消费事件,事件将会被传播出去。

3、事件分发

事件分发的本质: 将点击事件(MotionEvent)传递到某个具体View 处理的整个过程。

一般情况下,事件列都是从用户按下(ACTION_DOWN)的那一刻产生的,不得不提到,三个非常重要的与事件相关的方法。在这里插入图片描述
Android 事件分发总是遵循 Activity => ViewGroup => View 的传递顺序;
在这里插入图片描述

3个重要方法:

dispatchTouchEvent(MotionEvent event)进行事件分发。
onInterceptTouchEvent(MotionEvent event) 用来进行事件拦截
onTouchEvent(MothionEvent event); 用来处理事件。
在这里插入图片描述

Activity 具备两个方法:

1、dispatchTouchEvent
2、onTouchEvent

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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