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
600+累计阅读
662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 状态栏（SystemUI）下拉界面的自定义开发系列
在 Android 应用程序开发中，我们经常需要对状态栏进行自定义，以实现与应用程序风格一致的用户界面。本文将介绍如何通过定制化开发来修改 Android 状态栏下拉界面的外观和行为。我们将提供相应的源代码来帮助读者实现这些自定义效果。
在进行状态栏下拉界面的定制化开发之前，我们需要先了解一些基本概念。Android 状态栏下拉界面（Notification Shade）是用户可以通过向下滑动状态栏来访问的一个面板。它通常包含一些系统提供的快捷设置选项、通知和其他相关信息。
要修改状态栏下拉界面，我们需要创建一个自定义布局，并将其与系统的 SystemUI 进行交互。下面是一个简单的示例，展示了如何创建一个自定义的下拉界面布局。
// 创建一个自定义布局
View customView = LayoutInflater.from(context)SystemUI StatusBar状态栏部分功能记录
目录 核心类： 部分界面布局文件 滑动和点击事件： 通知的通知显示过程 核心类： StatusBar.java 状态栏整体控制 StatusBarWindowView.java 状态栏未扩展时的跟布局 PhoneStatusBarView.java 继承PanelBar.java NotificationPanelView.java 状态栏下拉后的控制类，继承自Panel..................
Android 原生 SystemUI 下拉通知栏每个通知默认展开
以上是在 Android 原生 SystemUI 中实现通知栏每个通知默认展开的步骤。然而，由于涉及到系统级的修改，这个过程需要谨慎操作，并且可能在不同的 Android 版本中有所差异。在 Android 系统中，下拉通知栏是一个重要的用户界面元素，用于显示来自各种应用程序的通知和快捷操作。默认情况下，通知栏中的每个通知都是折叠的，只显示通知的摘要信息。然而，有时候我们可能希望通知栏中的每个通知都默认展开，以便用户能够更方便地查看完整的通知内容。在设备重新启动后，通知栏中的每个通知都应该默认展开。
Android 11.0 系统systemui状态栏下拉左滑显示通知栏右滑显示控制中心模块的流程分析
在android11.0的系统rom定制化开发中，在系统原生systemui进行自定义下拉状态栏布局的定制的时候，需要在systemui下拉状态栏下滑的时候，根据下滑坐标来 判断当前是滑出通知栏还是滑出控制中心模块，所以就需要根据屏幕宽度，来区分x坐标值为多少是左滑出通知栏或者右滑出控制中心模块，接下来分析下 状态栏下滑坐标等相关功能代码分析
Android 状态栏UI定制化开发系列——自定义SystemUI下拉状态栏
首先，我们创建了一个新的Android项目，并进行了基础布局的设置。然后，通过修改Manifest文件和布局文件，隐藏系统状态栏并添加自定义状态栏。最后，在MainActivity中将自定义状态栏布局添加到容器中，并展示出来。在Android开发中，我们经常需要对系统界面进行定制化，以满足特定需求或提升用户体验。然后，在onWindowFocusChanged()方法中，将自定义状态栏布局添加到"statusBarContainer"中。这样，当Activity获得焦点时，我们就能够看到自定义的状态栏了。
Android 13.0 SystemUI下拉状态栏定制二 锁屏页面横竖屏时钟都居中功能实现一
在13.0的系统rom定制化开发中，在关于systemui的锁屏页面功能定制中，由于在平板横屏锁屏功能中，时钟显示的很大，并且是在左旁边居中显示的， 由于需要和竖屏显示一样，所以就需要用到小时钟显示，然后同样需要居中，所以就来分析下相关的源码，来实现具体的功能
android 13.0 SystemUI状态栏下拉快捷添加截图快捷开关
在13.0的系统产品rom定制化开发中，对SystemUI的定制需求也是挺多的，在下拉状态栏中 添加截图快捷开关，也是常有的开发功能，下面就以添加 截图功能为例功能的实现
SystemUI android10.0禁止状态栏下拉
不积跬步无以至千里 一.前摘 其实这里禁止状态栏的下拉是我们经常遇到的一些功能需求场景，其实前边的场景我们也有写过一篇文章 SystemUI Android7.1禁止锁屏下拉状态栏，而这种修改是处理当处于锁屏第一界面时的禁止状态栏的下拉或者弹出，而其中还有一篇文章说明了怎么平台提供的接口如何禁止状态栏的下拉：https://blog.youkuaiyun.com/WDYShowTime...
Android 9.0 SystemUI 锁屏界面禁止状态栏下拉
在9.0的系统产品开发中，对SystemUI的定制过程中，SystemUI原生系统中在锁屏页面默认是可以下拉状态栏的，但是有产品需求要求在SystemUI锁屏页面禁止下拉状态栏，所以需要了解锁屏页面的状态栏下拉流程禁止下拉状态栏的流程即可
Android 13.0 SystemUI下拉状态栏背景增加高斯模糊背景
在13.0的产品开发中，发现现在很多产品都是高斯模糊背景的，这种高斯模糊背景看起来效果很不错，产品开发需要SystemUI下拉状态栏背景也是高斯模糊背景，所以就要来实现下拉状态栏高斯模糊背景
Android 系统下拉状态栏界面自定义开发系列
下拉状态栏是用户与 Android 设备进行交互的重要界面之一，通过定制化下拉状态栏界面，我们可以为用户提供更好的使用体验。我们将逐步介绍下拉状态栏的布局、样式、交互以及通知管理等方面的定制化内容，并提供相应的源代码示例。在下一篇文章中，我们将介绍如何管理通知，并在自定义下拉状态栏中显示通知内容。首先，我们需要创建一个自定义的布局文件，用于替代系统默认的下拉状态栏布局。以上代码创建了一个垂直方向的线性布局，并在其中添加了一个居中显示的文本视图，用于显示自定义下拉状态栏的标题。的活动，并将自定义布局文件。
Anaconda下安装LabelImg
Anaconda下安装LabelImg
MATLAB与STK互联23：卫星对象操作（14）—仿真分析案例1，建立8个地面站，分析对卫星的可见性
学习到这里，我们有必要做个仿真分析案例，把之前我们学习的零散知识点串起来，看一下在真实的分析中怎么应用。 分析要求：建立8个地面站，分析每个地面站对某个轨道高度500km、倾角60°圆轨道的卫星，1天内的可见次数、可见弧长以及可见弧段间隔列表。 基本约束：地面站仰角8°~90°，作用距离＜2000km，太阳矢量与地面站到卫星视线夹角不小于15°，可见弧段应大于30s。地面站站址可随机生成，但要求在南北纬50°范围内。 下面上代码： uiap = actxserver(‘STK11.application’)
LVGL在RTOS下的线程安全实践：从卡死到流畅的界面切换
本文探讨LVGL在RTOS环境下的线程安全实践，重点分析FreeRTOS多任务同步机制，包括互斥锁、任务通知和消息队列方案。通过实际案例展示如何避免界面卡顿和系统死锁，实现从卡死到流畅的界面切换，为嵌入式GUI开发提供可靠的适配解决方案。
LM1875官方电路图元件作用解释说明以及电路调校
R1是为C1提供充放电回路用的电阻，这是老外工作严谨的地方，其实接好电位器之后直流通路就已经存在了，这个加上只能防止最恶劣情况时也能把C1的电能放掉，尽管只有一点点 C1是输入电容，主要作用是隔离前后级的直流信号，但是这个电容对音质的影响很大，可以换用不同的品牌和容量来部分修改音质和音色 R2提供LM1875正输入端的直流电平控制点，接地就表示在理想情况下Lm1875的输出直流电平是0V；还有一个作用就是确定放大器的交流输入阻抗为电阻值。 R3、R4是反馈电阻，这个电路的放大倍数为R4/R3+1=21倍。.
gesp c++ 五级知识点
gesp c++ 五级知识点
嵌入式代码审计中常见的漏洞（四）
经过漫长时间的迭代更新，内容从一开始的碎片化网罗搜集，到排版与整合划分，再到学习与实践验证，最后摒弃初始，用自己的语言与实践结论通俗的将它展现出来。强化知识技能的同时也为读者带来更好的阅读体验。 本篇介绍了以下代码安全问题： 编号 漏洞 1 敏感信息硬编码 2 未初始化安全 3 越界访问 4 迭代器失效 5 迭代器尾部解引用
手撕数美风控三板斧：device_fingerprint/device_id/hmac生成逻辑全解析
摘要：逆向分析数美风控核心参数生成机制 本文详细记录了逆向分析数美(Shumei)风控系统中三个关键参数(device_id、device_fingerprint、hmac)的生成逻辑。通过抓包分析和动态调试(使用Frida、IDA等工具)发现：device_id由设备IMEI和Android ID经MD5哈希生成；device_fingerprint融合23项设备与环境信息，并采用SHA-256哈希和动态环境检测；hmac则是参数+指纹+动态盐值的SHA-256签名。文章揭示了数美"设备指纹+动
135、高通 ChromaTix 调优工具入门：参数含义、调优流程与效果对比
本文介绍了高通ChromaTix色彩调优工具的核心使用要点：1. ChromaTix是位于ISP管线中的色彩处理系统，核心任务是将原始色彩映射为符合人眼感知的"舒适"效果；2. 重点解析了饱和度、色调、亮度相关饱和度等关键参数的实际含义和调试陷阱；3. 分享了四步调优流程，强调需要基于多场景数据验证；4. 通过案例展示了参数调整带来的色彩改善效果；5. 总结了实用建议，包括保持单一变量调试、量化评估色差、关注极端场景表现等。文章指出ChromaTix调优是平衡不同场景需求的"妥协艺术"，需要结合客观数据和主
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")
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
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。
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。
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
3149
扫一扫
