Android| |Service

本文详细解析了Android中的Service组件,包括其定义、作用、与Activity和BroadcastReceiver的区别,以及生命周期方法如onCreate、onStartCommand和onDestroy的调用时机。通过实例演示了如何创建、启动和停止Service。

1、Service是什么?

  • Service是一个应用组件
  • Service没有图形化界面
  • Service通常通常用来处理耗时比较长的操作,如下载、播放
  • 可以使用Service更新Content Provider,发送Intent以及启动系统通知等等

对比Activity,是不可见的,在后台运行的,通常用来处理相对耗时长的操作

对于BroadcastReceiver,如果onReceiver中执行耗时太长,一般选用Service

2、Service不是什么?

Service不是一个单独的进程

Servic不是一个线程

3、Service生命周期

我们通过一个简单的例子来阐述它的周期:

两个按钮,点击绑定和解除

<?xml version="1.0" encoding="utf-8"?>
<LinearLayout xmlns:android="http://schemas.android.com/apk/res/android"
    xmlns:tools="http://schemas.android.com/tools"
    android:layout_width="fill_parent"
    android:layout_height="fill_parent"
    android:orientation="vertical"
    tools:context="chao.pers.testbc2.TestBC2Activity">

   <Button
       android:text="绑定监听器"
       android:id="@+id/register"
       android:layout_width="fill_parent"
       android:layout_height="wrap_content" />
    <Button
        android:text="解除监听器绑定"
        android:id="@+id/unregister"
        android:layout_width="fill_parent"
        android:layout_height="wrap_content" />
</LinearLayout>

  继承Service类的FirstService

public class FirstService extends Service{
    @Override
    public IBinder onBind(Intent intent) {
        System.out.println("Service onBlind");
        return null;
    }

    //当创建一个Service对象之后,会调用这个方法
    @Override
    public void onCreate() {
        super.onCreate();
        System.out.println("Service onCreate");
    }

    /**
     *
     * @param intent 可以通过intent来向Service传递数据
     * @param flags
     * @param startId
     * @return
     */
    @Override
    //进入到这个方法当中,通常会启动一些线程来操作intent任务
    public int onStartCommand(Intent intent, int flags, int startId) {
        System.out.println("flags-->"+flags);
        System.out.println("startId-->"+startId);
        System.out.println("Service onStartCommand");
        return START_NOT_STICKY;
    }

    @Override
    public void onDestroy() {
        System.out.println("Service onDestory");
        super.onDestroy();
    }
}

  当然我们还需要在Manifest.xml文件中注册该Service

<service android:name=".FirstService"/>

布局很简单,就是两个按钮,分别绑定事件

<LinearLayout xmlns:android="http://schemas.android.com/apk/res/android"
    xmlns:tools="http://schemas.android.com/tools"
    android:layout_width="match_parent"
    android:layout_height="match_parent"
    android:orientation="vertical"
    tools:context="chao.pers.testservice1.TestActivity">

    <TextView
        android:layout_width="wrap_content"
        android:layout_height="wrap_content"
        android:text="Hello World!" />
    <Button
        android:text="StartService"
        android:id="@+id/startService"
        android:layout_width="fill_parent"
        android:layout_height="wrap_content" />
    <Button
        android:text="StopService"
        android:id="@+id/stopService"
        android:layout_width="fill_parent"
        android:layout_height="wrap_content" />
</LinearLayout>

我们直接点击两次STARTSERVICE

发现只调用了一次onCreate方法

点击STOPSERVICE

4、启动和停止Service的方法

启动Service:Context.startService();

停止Service:Context.stopService();

Activity是Context的子类

当第一次调用startService方法的时候,会调用Service类中的onCreate方法和onStartCommand方法,当再次调用startService方法的时候,不再会去调用onCreate方法,而是直接调用onStartCommand方法,当调用stopService方法的时候,会调用onDestroy方法

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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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