Android重要类学习之——Activity

arcgis插件 批量出图 按地块批量出图工具(动态文本、动态节点坐标表) arcgis插件 批量出图 按地块批量出图工具。 阅读详情

Android重要类学习之——Activity


NOTE:大家可以到这里http://www.docin.com/p1-240628976.html下载word版的,csdn这个显示不给力。。   

这是Android中的最基本的组件,也是我们最常用的组件,一般情况下,一个Activity就代表一个屏幕或者说是窗口,它包含一个或多个视图(View),我们能够与之进行交互。
Android系统中的Acitivity通过Acitivity Stack进行管理。当一个新的Activity被启动的时候 ,它就会被放置在栈顶并成为运行的Activity。一个Activity有四个状态:

(1)、Active or Running——Activity位于栈顶
(2)、Paused——这种状态下,Acitivty失去焦点,但仍然可见(可能是一个非全屏的Activity或者透明的Activity被置于这个Activity之上)。
(3)、Stopped——这种状态下的Activity就得完全不可见。
(4)、Inactive——当一个曾经被启动过的Activity被杀死时,它就变成inactive。Inactive Activity会从Activity栈中移除,当它重新显示和使用时需要再次启动。
如果设备的配置(Configuration)改变了,系统 会把当前 的Activity销毁(destroy),然后再创建它的一个新实例。
这篇文章里,我主要 是对Activity中一些有用的方法进行摘录,至于那些最常用 的比如说onCreate之类 的生命周期方法这里就略去不提了。

public Intent getIntent() ——获取启动这个Activity的Intent

public void setIntent(Intent newIntent) ——执行这个方法后,再调用getIntent()将返回newIntent

public final Application getApplication() ——获取此Activity所属的Application

public WindowManager getWindowManager() ——

public Window getWindow()

public View getCurrentFocus() ——当前取得焦点的View

protected void onNewIntent(Intent intent)——如果该Acitivity的launchMode设置成了singleTop或者其他的组件通过intent.addFlags(Intent.FLAG_ACTIVITY_SINGLE_TOP)这样的intent来启动该Activity的时候,如果此Activity的实例已经存在了,那么不会再创建新的实例,而是把已经存在的该Activity的实例放到activity stack的栈顶。。此时这个方法会被调用(在onResume之前调用)。在这个方法的重写版本中,我们应该调用setIntent()方法来更新以使通过getIntent()获取到的是最新的启动这个Activity的Intent。
protected void onSaveInstanceState(Bundle outState) ——如果这个Activity不是在running状态,某个时刻可能因为内存原因系统会将其回收掉,再将来某个时刻再回到这个Activity的时候系统会尝试重新创建一个新实例。我们可能希望这个Activity在被 回收前我们可以做一些当前用户界面的保存或其他状态的保存,这时我们就应该重写这个方法,因为这个方法会在onStop之前被调用,我们可以通过其参数outState来保存状态,在onCreate(onSavedInstanceState)方法中从onSavedInstanceState中获取我们之前保存的状态值来恢复这个Activity被kill之前 的状态。

protected void onUserLeaveHint()——当一个Activity将要进入后台(background)时被回调。

public void onConfigurationChanged(Configuration newConfig)——请查看API文档

public void onLowMemory() ——当整个系统运行一个低内存状态时,这个方法会被调用 。我们可以重写这个方法来清除一些缓存或者其它的不必要的资源。当这个方法返回的时候 ,系统会进行一次垃圾回收


public final Cursor managedQuery(Uri uri,
String[] projection,
String selection,
String[] selectionArgs,
String sortOrder)
{
Cursor c = getContentResolver().query(uri, projection, selection, selectionArgs, sortOrder);
if (c != null) {
startManagingCursor(c);
}
return c;
}——从这个方法的实现中我们可以看出它除了获取一个ContentResolver实例来实现查询外,该Activity还会根据它的生命周期对返回的Cursor对象的生命周期进行管理。举个例子说,当此Activity重新启动的时候,会调用Cursor对象的requery方法以相同的参数来重新进行查询。

public final void setDefaultKeyMode(int mode)——用来设置Activity的默认按键模式,也就是说当Activity中发生了一些按键事件,但是没有任何Listener来响应的时候就执行这里mode设置的动作,mode的值可以是以下5个之一:DEFAULT_KEYS_DISABLE,DEFAULT_KEYS_DIALER,DEFAULT_KEYS_SHORTCUT,
DEFAULT_KEYS_SEARCH_LOCAL,DEFAULT_KEYS_SEARCH_GLOBAL

public void onBackPressed() {
finish();
}——按back键时会被调用 ,默认情况下是结束当前Activity的生命,但是我们可以重写这个方法来实现我们想要的操作。

public boolean onTouchEvent(MotionEvent event) {
return false;
}——用来处理屏幕触摸事件,如果被触摸到的View没有处理这个事件的话,这个方法会被调用(当然了它必须得返回true了)。提到这个方法,我们有必要再说下这个方法:
public boolean onTouch(View v, MotionEvent event),这个方法是定义在View.OnTouchListener这个接口中的,一般我们可以通过view.setOnTouchListener()来设定这个此监听器。我们可以看到这个方法的参数表中还有一个View类型的参数,这个是用来获取触摸事件的发生源的。还有,如果一个触摸事件发生在了同一个View上,而这个View设置了OnTouchListener,那么 只有onTouch()方法返回false的时候 onTouchEvent()才会被调用。

public boolean onTrackballEvent(MotionEvent event) {
return false;
}

public void addContentView(View view, ViewGroup.LayoutParams params)——看名字,原来通过serContentView(View)设置的view不会被移除。

public void onContentChanged() ——当调用setContnetView或addContentView时这个方法会被调用。


public boolean onCreateOptionsMenu(Menu menu) ——我们会重写这个方法来创建选项菜单,这个方法只会被系统调用一次(菜单第一次显示时)。

public boolean onPrepareOptionsMenu(Menu menu)+——每次菜单显示前都会调用这个方法,因此如果我们想在菜单显示前根据某些条件更新菜单内容,可以重写这个方法。

public void onOptionsMenuClosed(Menu menu) ——看名字哈。。

public void openOptionsMenu()
public void closeOptionsMenu() 通过程序的方法打开/关闭菜单

public void onCreateContextMenu(ContextMenu menu, View v, ContextMenuInfo menuInfo)——创建上下文菜单,每次上下文菜单将要显示的时候都会调用这个方法。

public void registerForContextMenu(View view) ——为某个View注册上下文菜单。

public void unregisterForContextMenu(View view) ——阻止在view上显示上下文菜单

public void openContextMenu(View view)
public void closeContextMenu() 通过程序调用的方式来打开或者关闭上下文菜单

public boolean onSearchRequested() {
startSearch(null, false, null, false);
return true;
}——响应搜索请求信号

public void startSearch(String initialQuery, boolean selectInitialQuery,
Bundle appSearchData, boolean globalSearch) ——用来启动搜索的UI界面,经常在onSearchRequest()方法中调用

public void takeKeyEvents(boolean get)——即使在Activity中没有取得 焦点的View,也会处理此按键事件。

public final boolean requestWindowFeature(int featureId) {
return getWindow().requestFeature(featureId);
}——常用的featureId有:FEATURE_NO_TITLE,FEATURE_PROGRESS,FEATURE_LEFT_ICON,
FEATURE_INDETERMINATE_PROGRESS,这些静态常量都定义在Window类中

public final void setFeatureDrawableResource(int featureId, int resId)————featureId定义在Window类中,resId是我们放在res目录下的图片资源ID。这个方法必须在requestWindowFeature调用之后才能使用。 。
public final void setFeatureDrawableUri(int featureId, Uri uri)——同上

public LayoutInflater getLayoutInflater()
public MenuInflater getMenuInflater()——这两个方法也很有用,我们可以通过它们获取Inflater然后来解析布局文件来返回View或产生menu

public void startActivityForResult(Intent intent, int requestCode)——对于这个方法有几点 要注意:如果requestCode的值小于0,这个方法的作用就和startActivity一样了,也就是说不会返回值。如果你要启动的Activity和此Activity不在一个task中,那么会马上收到一个RESULT_CANCELED的responseCode。

public void startActivity(Intent intent) {
startActivityForResult(intent, -1);
}——最常用的方法之一及其实现 。。

public boolean startNextMatchingActivity(Intent intent)——这个方法一般这样用。。onCreate(){
...
boolean has =startNextMatchingActivity(getIntent());
if(has){
finish();
}
...
}

public String getCallingPackage()
public ComponentName getCallingActivity()

public void finishActivity(int requestCode)——关闭之前通过 startActivityForResul(intent,requestCode)调用的Activity(们)。。

public void setRequestedOrientation(int requestedOrientation)——改就能当前Activity的屏幕朝向,requestedOrientation是定义在ActivityInfo中的静态常量。

public int getTaskId() ——此Activity所在的Task的ID。这里给出Task的官方定义 :A task is a collection of activities that users interact with when performing a certain job. The activities are arranged in a stack (the "back stack"), in the order in which each activity is opened.

public boolean isTaskRoot() ——如果此Activity是所在Task中的第一个Activity返回true.

public boolean moveTaskToBack(boolean nonRoot)——把这个Activity所在的Task移到后台(background,此时将回到Home或者之前的Task)。nonRoot为false时,只有isTaskRoot()返回true时这个方法才会起作用。

public String getLocalClassName()——获得这个类的名字,不带限定名
public ComponentName getComponentName()

public SharedPreferences getPreferences(int mode)——获得的SharedPerference只属于这个Activity。

public void setTitle(CharSequence title)
public void setTitle(int titleId)
public void setTitleColor(int textColor)——对标题栏的一些设置,也有对应的getter方法

public final void setProgressBarVisibility(boolean visible)——设置标题栏中ProgressBar的可见性。
public final void setProgressBarIndeterminateVisibility(boolean visible)
public final void setProgressBarIndeterminate(boolean indeterminate)——设置为进度不确定的.
public final void setProgress(int progress)——progress的取值范围为0~10000
public final void setSecondaryProgress(int secondaryProgress)

public final void setVolumeControlStream(int streamType)——streamType可取值是定义在AudioManager静态常量,例如STREAM_MUSIC, STREAM_NOTIFICATION, STREAM_VOICE_CALL等。这个方法就是用来设置声音控制按钮控制的声音的类型的。这个方法有相应的getter。
public final void runOnUiThread(Runnable action)——action这个任务将在UI线程中运行。

哦哦哦。。。终于完了 。。前后弄了很长时间了。希望大家 支持。想到学习。共同进步 。。然后,今天 是七夕,祝来我博客 的童鞋节日快乐,单身的早日找到另一半。。。


PS:因为是用word写完复制 到这的,所以效果并不好,我已经把word版的上传到豆丁了,大家 可以在这里http://www.docin.com/p1-240628976.html下载。。

 

华为OD机考双机位C卷 - 最左侧冗余覆盖子串 (Java) 华为OD机考双机位C卷 - 最左侧冗余覆盖子串 (Java), 提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。 阅读详情

相关推荐

BarTender破解版风险与低成本正版替代方案全解析

在工业自动化和企业信息化领域,标签打印与条形码技术是连接物理世界与数字系统的关键环节。其核心原理是通过软件驱动打印设备,将可变数据(如序列号、生产日期)与固定模板结合,生成可追溯的标识载体。这项技术的价值在于实现生产流程可视化、供应链管理精细化与质量控制自动化,广泛应用于仓储物流、制造执行、零售门店等场景。然而,软件授权合规性常成为企业成本控制的痛点,尤其面对BarTender这类行业标准工具时,部分用户可能寻求破解方案。但破解版软件通常采用内存补丁、伪造许可证等技术手段绕过验证,不仅存在法律风险,更会引发

weixin_32736961的博客 735

Activity的启动模式和匹配规则

1. Activity的启动模式 standard 标准模式,不指定的话默认的模式,A启动B,B就会进入到A所在的栈中,放在A的上层,出栈时B先出,即先入后出。这种模式下要求Context必须为Activity类型的,即必须保证当前Activity已经入栈,否则的话就会报错,如下图: 上面异常信息说明,要想以ApplicationContext启动Activity的话,需要添加FLAG_ACTIVITY_NEW_TASK属性,为被启动的Activity创建一个新栈。 标准模式下,每一次启动都会新建一个

爱优学的博客 355

MICROSAR OS:第一个task是如何执行起来的?

MICROSAR OS是Vector公司开发的符合AUTOSAR OS规范的实时操作系统。本文介绍MICROSAR

humu7733的博客 2570

onNewIntent中使用setIntent(intent)赋值给Activity的Intent

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

u014748504的博客 6084

JavaScript性能优化:全链路性能优化策略

JavaScript性能优化是提升Web应用质量的核心要素,直接影响用户体验与业务成果。研究表明,页面加载延迟1秒可能导致转化率下降7%。高效的JavaScript执行能减少主线程阻塞,避免动画卡顿或操作延迟,尤其在移动端低性能设备上更为关键。优化内存管理与减少冗余计算可降低浏览器资源消耗,防止因内存泄漏导致的崩溃,提升应用稳定性。在竞争激烈的互联网环境中,性能优势已成为产品差异化的关键因素,直接影响用户留存与商业价值。因此,性能优化应作为开发全周期的核心实践,而非事后补救措施。

weixin_49707375的博客 1272

BLDC方波控制 vs. FOC:技术选型指南与未来演进

本文深入对比BLDC电机方波控制与FOC技术的核心差异,分析两者在成本、性能和应用场景上的权衡。方波控制凭借低成本和易实现性,在电动工具和家电领域优势明显;而FOC则以平滑高效控制见长,适用于高端精密应用。文章为工程师提供了实用的技术选型指南,并展望了未来技术融合的发展趋势。

yhn4567890的博客 1172

Android开发者,必须知道的并且没有遇到的异常,附带简单的解决方案和异常过程、源码的分析从java层到Jni层

android.os.TransactionTooLargeException: data parcel size 709428 bytes Android开发者,必须知道的并且没有遇到的异常,附带简单的解决方案和异常过程、源码的分析从java层到Jni层

Engineer-Jsp的专栏 7325

基于微博API与Scrapy-Redis的城市情绪地图数据爬取实战

本文详细介绍了如何利用Python爬虫技术从微博平台获取用户发布内容,用于构建城市情绪地图的毕业设计项目。文章涵盖了微博API的调用、Scrapy-Redis分布式爬虫架构、数据清洗与存储、反爬虫策略应对以及情绪分析预处理等关键技术,提供了完整的代码实现和实战经验。python复制下载# items.py"""清洗文本数据"""if text:# 移除HTML标签# 移除多余空白字符"""解析微博日期格式"""

2201_76125261的博客 446

startActivity(),startActivityForResult(),

虽然在android sdk中,有很多方法可以通过Intent开始一个activity。 比如: public void startActivity(Intent intent) public void startActivity(Intent intent,Bundle options) public void startActivities(Inte

HDHunter的专栏 653

这才是 Python 的正确玩法!用强化学习 (RL) 训练 AI 玩《王者荣耀》,胜率 90%!

大家打排位时,一定遇到过那种“意识神级、操作零失误”的对手,或者“走位呆滞、送人头”的队友。以前的“人机”是程序员写死的脚本(If 血量<20% Then 回城)。而现在的顶级 AI(如腾讯绝悟、OpenAI Five),是靠强化学习 (Reinforcement Learning)自己“左右互搏”练出来的。今天,我们不谈枯燥的数学公式,我将手把手教你用,搭建一个能玩 MOBA 游戏的 AI Agent。即使不能去 KPL 打职业,虐一下钻石局还是绰绰有余的!

BUG猿的博客 1182

基于STM32L4XX、HAL库的RTL8201F 以太网收发器(PHY)驱动程序设计

define PHY_RESET_DELAY 1000 // PHY复位延迟(ms)#define PHY_AUTONEGO_DELAY 3000 // 自动协商延迟(ms)/* 检查PHY ID (RTL8201F的ID为0x001CC816) *//* 系统时钟配置,确保ETH有50MHz时钟 *//* 初始化CPU, AHB和APB总线时钟 */

zhusl6688的博客 812

【Android学习笔记】activity使用和相关的重要类

想要在两个activity之间传递对象,那么这个对象必须序列化,Android中序列化一个对象有两种方式,一种是实现Serializable接口,这个非常简单,只需要声明一下就可以了,不痛不痒。它也可以是模糊的,没有指定组件名称,只要是能够匹配到这个Intent的应用都可以接收到,比如发送一个拍照Intent,所有的拍照应用都会响应。重写writeToParcel方法,将你的对象序列化为一个Parcel对象,即:将类的数据写入外部提供的Parcel中,打包需要传递的数据到Parcel容器保存,以便从。

实力派,无需多言! 395

YOLOv12改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构

本文记录的是基于。采用了创新性的方法,通过精心平衡网络和来提升性能。本文将的设计优势融入YOLOv12中,提升YOLOv12的性能与效率,使其在目标检测任务中表现更为出色。本文配置了原模型中的共种不同大小的模型结构,以满足不同的需求。

Limiiiing的博客 964

android Activity.setContentView和Window PhoneWindow类学习

菜单等。 首先对相关类的作用进行一下简单介绍: [size=medium][b]Window 类[/b][/size] 位于 /frameworks/base/core/java/android/view/Window.java 说明:[b][color=red]该类是一个抽象类,提供了绘制窗口的一组通用API。[/color][/b]可以将之理解为一个[b]载体[/b],各种View在这个载体上显示。 源文件(部分)如下: [code="java"] p

写博客只为学习 113

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")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

Android之获取当前Activity名称(activity管理类);

1.网络学习资源 https://blog.csdn.net/amberoot/article/details/80770698 2.自己写的acitivity管理类, 以后还会改动 public class MainActivity extends BaseActivity { @Override protected void onCreate(Bundle save...

果酱大师的博客 3469

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

Android Activity启动流程一:从Intent到Activity创建

Activity 是 android 四大组件之一,很有必要知道它的启动过程,我们在上一篇文章中介绍了 APP的启动流程,里面大概讲到了Activity的 启动流程,在本文中,我们系统的再总结一下,当成一个记录。

fumeidonga的博客 6380

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Android activity管理类,20道高频面试题(含答案)

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。附上:我们之前因为秋招收集的二十套一二线互联网公司Android面试真题(含BAT、小米、华为、美团、滴滴)和我自己整理Android复习笔记(包含Android基础知识点、Android扩展知识点、Android源码解析、设计模式汇总、Gradle知识点、常见算法题汇总。**

2501_90914473的博客 352

Android Activity原理以及其子类描述

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_84149855的博客 638

安卓未声明PeachActivity类——Unable to find explicit activity class {com.example.myapplication/com.example}

解决Unable to find explicit activity class {com.example.myapplication/com.example.myapplication.PeachActivity}; have you declared this activity in your AndroidManifest.xml?的问题

m0_71184650的博客 264

关于Android中activity的问题

我一直不能理解Android中的activity,这个到底是什么东东? 在新建Android工程时,eclipse会主动新建一个《Activity Name》名字叫MainActivity;另外还会新建一个《Layout Name》名字叫activity_main。 新建完成后,MainActivity——是放在scr文件中。按照我的理解MainActivity是一个类,或者是一个特殊类。

yaoli9406的博客 434

android学习之Activity的生命周期理解

Activity中有7个方法:  1.

追梦少年 548

从零开始学android:Activity初步

Activity Activity实际上就是表示的是一个人机的交互程序,用于存放各个显示控件,也是Android的基本组成,所有的Android项目都使用Java语言进行开发,所以每一个继承了android.app.Activity的Java类都将成为一个Activity程序,而一个Android项目将由多个Activity程序所组成,而所有的显示组件都必须放在Activity上才可以进行

牛儿吃草的博客 1477

Android之Activity学习

http://xifangyuhui.iteye.com/blog/810911 appears as a floating view over the application. It will never receive focus.Activity学习: 一、Activity认识 Activity是用户与Android应用程序交互的接口,用户操作应用程序都

Adrian 博客 892
上一篇: JSP中的监听器
下一篇: 面试题——字符串中的字符是否唯一
MoreeVan
博客等级 码龄17年 373粉丝 55原创
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
 
 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