Delphi XE5应用开发支持的安卓设备

Delphi10.4.2关于Android设备调试 Delphi10.4.2关于Android设备调试 1、弄清楚自己的设备CPU架构(与指令集有关)及其出厂的Android版本 https://blog.csdn.net/pulledup/article/details/115317548 2、Delphi10.4.2对Android版本的支持 2.1、支持的平台及其操作系统版本 详见本博客博文: https://blog.csdn.net/pulledup/article... 阅读详情

XE5应用开发支持的安卓设备

A.官方文档声明

RADStudio 支持android设备的应用开发,android版本从2.3到4.3.x,ARMv7处理器,MEON支持。根据Embarcadero的官方说明,应用开发支持的安卓设备的要求如下:

目标平台的版本

>JellyBean (Android 4.1.x,4.2.x,4.3.x)

不支持Honeycomb (Android 3.x)

>Ice Cream Sandwich(Android 4.0.3 and 4.0.4)

说是支持,在模拟器上运行半天也不出结果,难道是因为虚拟机太慢的原因?在真机上还可以跑.

>Gingerbread (Android 2.3.3- 2.3.7)

姜饼2.3.3-2.3.7真机支持,不支持Gingerbread虚拟机。

注意: RAD Studio 不支持Tegra 2设备,因为该设备没有NEON支持。

什么是NEON,简单理解就一组指令集。

ARMv7体系结构介绍了增强性SIMD的扩展,它通过定义64位和128位的寄存器指令用来扩展了SIMD的概念。 NEON就是将增强性SIMD的扩展使用在ARM处理器上的实现。也就是说NEON是指用一种特定的方式去实现的过程。现在ARM Cortex-A8的系列是具有着NEON。具有NEON技术的处理器都会配备了32个64位的寄存器和16个128位的寄存器,它们分别被标识为(D0-D31),(Q0-Q15),NEON的指令集只是ARM和THUMB指令集中的子集,ARM和THUMB要管理所有程序流和同步的问题。NEON指令通常执行的就是:

>>内存的访问

>>在NEON寄存器和传统寄存器之间的数据拷贝

>>数据类型的转化

>>数据的处理

PS:苹果iOS的要求

支持的设备有:

>iPodTouch,iPhone,和 iPad

>iOS6及以上版本

B.采用如下厂商的CUP将可能被支持

带有ARM7和NEON支持的芯片(不完全)

>>高通骁龙S1(Scorpion core:QSD8250,QSD8650):

>>高通骁龙 S2,S3,S4,200,400,600,800;

>>三星Exynos 3,4,5;

>>苹果A4,A5,A6;

>>德州仪器 OMAP 36xx,4,5

>>英伟达 Tegra 3,4

其他可能支持的芯片厂商

>>MediaTek

>>Marvell

>>Freescale

不支持的芯片

>>高通骁龙 S1 (MSM7225,MSM7227,MSM7625,MSM7627);

>>英伟达 Tegra 2

不支持的设备

>>骁龙S1 ARM6系列

HTC Tattoo,HTC 野火,华为U8110,华为U8500,沃达丰 858 Smart,华为M835,华为 Ascend M860,HTC 野火A315c,HTC野火6225,Alcatel OT-990,酷派 W706,Garmin & Asus A10,Garmin & Asus M10,Gigabyte GSmart G1305 Boston,HTC Aria,HTC Gratia,HTC Legend,HTC 野火 S,华为 Ideos X3,华为 Pocket WiFi S II(S41HW),华为 Sonic (U8650),LG GT540 Optimus,LG Optimus Chat (L-04C),LG Optimus Chic,LG Optimus Me,LG Optimus One (GSM),Micromax A70,Movi M1,Nexian A890 Journey,OlivePad VT-100,Optimus Boston,Palm Pixi (GSM),三星 Galaxy Europa (i5500Galaxy 5),三星 Galaxy Fit,三星 Galaxy Mini,三星 Galaxy 551,索尼 Ericsson Xperia X10 Mini,索尼 Ericsson Xperia X10 Mini Pro,索尼 Ericsson Xperia X8,T-Mobile myTouch 3GSlide,WellCom A88,ViewSonic ViewPad 7,ZTE Blade,ZTE Racer,酷派 7260,华为 Smart Bar (S42HW),LG Optimus Hub,LG Optimus Net,摩托罗拉 XT-502,Odys Space,三星 Galaxy Ace,三星 Galaxy Gio,ZTE Blade S,ZTE N762,ZTE Skate,LG Shine (LG-C710H)

>>英伟达 Tegra 2

Acer Iconia A500 tablet(Tegra 2)

C.能够运行android的设备

骁龙 S2系列

Acer Liquid Metal,HP Veer,HTC Desire Z,Huawei Ideos X5 (U8800),NEC Casio Medias N-04C,Dell Smoke,Dell Flash,Casio G'zOne Commando,HTC Evo Shift 4G,HTC Merge,Sky VegaXpress IM-A710K,诺基亚 Lumia 900,Bambook Sunflower,Acer Iconia Smart,Acer Allegro,富士通 F-12C,HTC Desire HD,HTC Desire S,HTC Incredible S,HTC Inspire 4G,HTC One V,HTC Radar,华为 U9000 Ideos X6,华为 Ideos X5 (U8800 pro),华为 Vision,LG Eclypse,LG Optimus Sol E730,摩托罗拉 Pro+,Samsung Exhibit II 4G,Sharp Galapagos 003SH/005SH,Sharp Aquos Phone f (SH-13C),Sharp Aquos Phone theHybrid (007SH/007SH J),Sharp Aquos Phone the Premium (009SH),索尼 Ericsson Live with Walkman,索尼 Ericsson Xperia Active,索尼 Ericsson Xperia Arc,索尼 Ericsson Xperia Acro (SO-02C),索尼 Ericsson Xperia Neo,索尼 Ericsson Xperia Neo V,索尼 Ericsson Xperia Play(GSM),索尼 Ericsson XperiaPro,索尼 Ericsson XperiaMini,索尼 Ericsson XperiaMini Pro,索尼 Ericsson Xperia ray,索尼 Xperia Neo L,T-Mobile myTouch 4G,ZTE Tania,ZTE 008Z,Pantech Vega X,Alcatel OT-995,HP Pre 3,HTC Titan,HTC Titan II,诺基亚 Lumia 710,华为 U8860 Honor,诺基亚 Lumia 800,Samsung Focus S,Samsung Galaxy S Plus,三星 Galaxy W,三星 Omnia W,Sharp Aquos Phone SH-12C,Sharp Aquos Phone 006SH,索尼 Ericsson Xperia arc S,富士通 Stylistic S01,HTC Flyer,HTC Sensation XL,富士通东芝 IS12T,Kyocera Hydro,Kyocera Rise,Kyocera Hydro EDGE,HTC Droid Incredible 2,HTC Rhyme,HTC Thunderbolt,LG Revolution,摩托罗拉 Triumph,Pantech Mirach IS11PT,三星 Conquer 4G,Sharp IS05 (SHI05),索尼 Ericsson Xperia Play (CDMA),索尼 Ericsson Xperia Acro(IS11S),HTC Evo Design4G,Kyosera DignoISW11K,NEC Casio MediasBR IS11N,Sharp Aquos Phone IS11SH,Sharp Aquos Phone IS12SH,Sharp Aquos Phone IS13SH,东芝 Regza Phone IS11T,ZTE Warp,ZTE Fury,摩托罗拉 Iron Rock XT626

骁龙 S3系列

HP TouchPad,HTC Jetstream,HTC Amaze 4G,HTC Vivid,HTC Raider 4G,Le Pan II,LG Nitro HD,Pantech Element,三星 Galaxy S II X (SGH-T989D),三星 Galaxy S II LTE,三星 Galaxy S II Skyrocket,三星 Galaxy S Blaze 4G,三星 Galaxy Tab 7.7 LTE,三星 SGH-i577 Galaxy Exhilarate,索尼 Xperia ion,Asus Eee Pad Memo,HTC Sensation,HTC Sensation XE,HTC Evo 3D (GSM),华为 Mediapad,LG Optimus LTE Tag,索尼 Xperia S,索尼 Xperia acro S,T-Mobile myTouch 4G Slide,Xiaomi MI-One S,ZTE V71A,Oppo Find 3,ZTE V9S,索尼 Xperia SL,HTC One S (Z560e),HTC Evo 3D (CDMA),HTC Rezound,LG Connect 4G,LG Optimus LTE LU6200,Pantech Vega Racer,Pantech Sky LTE EX,Pantech Burst,LG Lucid,三星 Galaxy Note,Xiaomi MI-One (CDMA2000 for China Telecom)

骁龙 S4系列

HTC Desire X,华为 Ascend Y300,LG Optimus L7 II Dual,Orange Nivo,Videocon A30,诺基亚 Lumia 520,诺基亚 Lumia 620,诺基亚 Lumia 720,索尼 Xperia M,索尼 Xperia M dual,HTC One SV (3G Version),华为 Ascend W1,索尼 Xperia L,HTC One VX,HTC One SV (4G Version),三星 Galaxy Express,诺基亚 Lumia 625,Lenovo IdeaTab S2110,Acer CloudMobile S500,Asus Padfone,Asus Transformer Pad Infinity (3G),HTC One S (Z520e),HTC Windows Phone 8X(select versions),三星 Galaxy S Relay 4G,索尼 Xperia T,索尼 Xperia TX,Vertu Ti,Haier W910,HTC J (ISW13HT),Sharp AQUOS PHONE SERIE (ISW16SH),Asus Transformer Pad Infinity (3G/4G version),HTC Droid Incredible 4GLTE,HTC Evo 4G LTE,HTC One X (NorthAmerica),HTC One XL,HTC Windows Phone 8X,LG Mach,摩托罗拉 Atrix HD,摩托罗拉 Droid Razr M,摩托罗拉 Droid Razr HD,摩托罗拉 Razr HD,摩托罗拉 Droid Razr Maxx HD,诺基亚 Lumia 820,诺基亚 Lumia 920,诺基亚 Lumia 925,诺基亚 Lumia 1020,Panasonic Eluga Power,三星 Galaxy S III (selectversions),Sharp Aquos Phone sv (SH-10D),Sharp Aquos Phone Zeta (SH-09D),索尼 Xperia GX,索尼 Xperia TL,索尼 Xperia SX,索尼 Xperia V,东芝 Regza Phone (T-02D),ZTE Grand Era LTE,ZTE Grand X LTE,ZTE V96,Pantech Vega Racer 2IM-A830L,Xiaomi Mi-2A,索尼 Xperia SP,摩托罗拉 Droid Ultra,摩托罗拉 Droid Maxx,摩托罗拉 Droid Mini,Moto X,Asus PadFone 2,HTC Droid DNA,HTC J Butterfly,LG Optimus G,Nexus 4,Oppo Find 5,Pantech Vega No.6,Pantech Vega R3,Sharp Aquos Phone Zeta (SH-02E),索尼 Xperia UL,索尼 Xperia Z,索尼 Xperia ZL,索尼 Xperia ZR,Xiaomi MI-2,Panasonic P-02E,LG Optimus G,Xiaomi MiTV

骁龙 200系列

Bauhn WL-101GQC,Casper Via A3216,Mito A355,Karbonn S1 Titanium,HTC Desire 600,Karbonn Titanium S5,三星 Galaxy Win Micromax A111 Canvas Doodle

骁龙 400系列

HTC First,诺基亚 Lumia 625,三星 Galaxy Express (GT-I8730) HTC One mini (601e),三星 Galaxy S4 Mini(GT-I9190),三星 Galaxy S4 Mini Duos,HTC One mini (LTE),三星 Galaxy Mega 6.3,三星 Galaxy S4 Mini (GT-I9195)

骁龙 600系列

Asus Padfone Infinity,HTC Butterfly S,HTC One,LG Optimus G Pro,Oppo Find 5,三星 Galaxy S4 (select versions),三星 Galaxy S4 Active,Xiaomi Mi-2S,三星 Galaxy S4 LTE,HTC Butterfly S,Nexus 7 (2013 version)

骁龙 800系列

LG G2,三星 Galaxy S4 LTE-A,索尼 Xperia Z Ultra,三星 Galaxy Note 3 (LTE variant),Xperia Z1,Acer Liquid S2,Xiaomi MiPhone3

Delphi XE7安卓原生开发:工业级硬件交互App快速实现方案 原生安卓开发通常指直接调用Android NDK与HAL层接口的开发方式,其核心价值在于绕过Java/Kotlin虚拟机抽象,获得对USB、蓝牙、GPIO等硬件的低延迟、高可控访问能力。这种技术路径在工业物联网、边缘设备监控等强实时性场景中具有不可替代性,尤其适合需离线SQLite缓存、严格响应延迟(如<80ms)及跨平台逻辑复用的中小团队项目。Delphi XE7作为少数支持ARM/ARM64原生二进制编译的RAD工具,通过JNIBridge和Androidapi.JNI单元提供稳定、文档完备的JNI穿透 阅读详情

相关推荐

FastMath - Delphi的快速数学库

FastMath 是 Delphi 数学库,旨在提高性能(有时会以牺牲错误检查或略微降低精度为代价)。它使用手工优化的汇编代码来实现比Delphi RTL提供的等效函数更好的性能。这使得FastMath非常适合用于高性能的数学密集型应用,例如多媒体应用和游戏。为了获得更好的性能,该库提供了一系列以“Fast-”前缀开头的“近似”函数。这些方法可以非常快速,但你可能会失去一些(有时是相当少的)精度。对于游戏和动画来说,这种精度上的损失通常是完全可以接受的,而且速度的提高可以抵消这种损失。

千里独行的专栏 423

记录下版本号对应的android版本

Platform Version API Level VERSION_CODE Notes Android 9 28 P Platform Highlights Android 8.1 27 O_MR1 Platform Highlights Android 8.0 26 O Platform Highlights Andro...

itChenyan的博客 3162

Delphi超级文本框控件:输入与界面设计增强

本文还有配套的精品资源,点击获取 简介:这款专为Delphi开发者设计的"超级文本框"控件,扩展了标准TEdit的功能,支持多种输入类型和下拉列表框。它简化了数据格式验证,自动处理如日期和数字格式,提高了用户输入的准确性和效率。控件还支持代码与名称的对应显示,方便中国用户的使用习惯,并能与数据源结合动态加载下拉列表内容,优化了界面设计和用户体验。开发者可以通过配置控件属性如...

weixin_33816734的博客 1862

Delphi-Neon:一个强大的JSON序列化库教程

Delphi-Neon:一个强大的JSON序列化库教程 项目介绍 Delphi-Neon是一个专为Delphi设计的JSON序列化库,简化了对象及其他值与JSON格式间的转换过程。此库特别适用于RESTful风格的交互,强调数据的纯净交换,避免不必要的元数据添加。Neon支持多种Delphi基础及复杂数据类型,包括类、记录,且兼容各种Delphi版本,从XE7及以上,并依赖于System.JSO...

gitblog_00523的博客 819

地瓜机器人RDK Studio使用入门教程

不知道大家在使用AI开发板的时候有没有遇到过板子官方镜像占据空间大难以保存,想要的时候找不到?官方示例项目久而久之便难以找寻?首次登陆开发板连接网络还需要准备显示器键盘鼠标外设繁杂?…为了解决平时开发过程中遇到的种种不便利问题,地瓜机器人创新的推出了RDK Studio这一官方开发者软件,使智能机器人开发迎来新纪元!通过这一软件极大降低了机器人的开发门槛,哪怕是零基础的用户亦可轻松上手RDK系列板卡!

xiongqi123123的博客 3429

Ubuntu24安装MongoDB(解压版)

依据前面 Linux 发行版本的信息,选择你需要的版本,文件格式选择 tgz 格式,最后点击 Download(下载到你的电脑)或 点击 Copy link 左侧图标(复制下载链接在使用服务器下载)依据前面 Linux 发行版本的信息,选择你需要的版本,文件格式选择 tgz 格式,最后点击 Download(下载到你的电脑)或 点击 Copy link 左侧图标(复制下载链接在使用服务器下载)默认情况下,只能在本机访问 MongoDB,要想远程访问 MongoDB,需要修改配置文件。

rao991207823的博客 2022

Delphi-Neon 项目教程

Delphi-Neon 项目教程 1. 项目目录结构及介绍 Delphi-Neon 项目的目录结构如下: delphi-neon/ ├── Demos/ │ ├── Neon Main Demo/ │ └── Neon Benchmarks Demo/ ├── Packages/ ├── Source/ │ ├── Neon.Core/ │ ├── Neon.Serializers...

gitblog_01034的博客 973

Cadence Virtuoso Layout 版图绘制

画好原理图,打好pin脚(pin最好以全大写的形式书写,以防后续操作中可能出现Bug) 查看所使用工艺库的design rule文件,确定栅格单位设置大小 在准备绘制的原理图界面启动layout XL/GXL 在layout界面按e,设置网格大小与design rule匹配 直接根据原理图生成版图 根据原理图连接关系显示版图中未连接的飞线 查看和更改原理图与版图中器件对应的链接关系 shift + f:显示器件版图细节 版图的构成:元器件(工艺厂商提供)、器件连接、阱连接、IO和PAD模拟电路

bobo_supper的博客 2万+

Neon - Delphi 语言下的 JSON 序列化库

Neon - Delphi 语言下的 JSON 序列化库 Neon 是一个为 Delphi 语言设计的 JSON 序列化库。它可以帮助开发者轻松地将对象和其他值转换为 JSON 格式,同时也支持反向操作。Neon 特别考虑了 RESTful 服务,旨在应用之间交换无“元数据”或额外字段的纯数据。它是 WiRL REST 库默认的 JSON 序列化引擎。 核心功能 Neon 提供了以下核心功能: ...

gitblog_00020的博客 438

锐捷-GZ073 网络系统管理赛项赛题第1套A模块-S5配置

锐捷-GZ073 网络系统管理赛项赛题第1套A模块-S5配置

weixin_46183247的博客 767

Qemu开发ARM篇-5、buildroot制作根文件系统并挂载启动

在上一篇中,我们编译了kernel,并在qemu上进行了运行,但到最后,在挂载根文件系统时候,挂载失败,这是因为我们还没有根文件系统,在本章中,我们将制作根文件系统。rootfs制作方式有很多方式,如busyBoxbuildrootYocto等,在该篇章中,我们使用buildroot来制作根文件系统,主要考虑到busyBox制作完还需要手动首改一些启动配置比较繁琐,而Yocto如果电脑配置不是很好,编译时间过长,比较麻烦。

sinat_33909696的博客 2465

从 Milvus 2.2 到 2.2.6,我们是如何持续稳定升级的

事实上,自 Milvus 升级至 2.X 版本以来,我们一直在努力改进及优化,推出了诸如从文件中批量导入数据、基于磁盘的近似最近邻(ANN)索引算法、不停机滚动升级、Coordinator HA 高可用、资源组等新功能,也提高了诸如元数据存储、批量导入等性能。通过这一特性,用户可以更精确地管理数据。搜索(Search) 和查询(Query) API 的新选项:我们在查询参数中新增了跳过 Growing 数据的选项,启用此选项将跳过对所有 Growing 数据的搜索,在搜索插入场景下提供更好的搜索性能。

ZILLIZ 1258

《YOLO26/YOLO11/YOLOv8改进与系统实战》,改进与系统实战专栏目录和介绍

YOLOv8 是目前比较火和比较成熟的深度学习框架,是2023年1月发布的,由 Ultralytics 团队开发。Ultralytics自YOLOv5 开始一直积极维护和更新 YOLO 框架,因此 YOLOv8 也享有持续的维护与升级支持。因此我写下《手把手教你YOLOv8实战》专栏,专门为那些对计算机视觉、深度学习、以及目标检测技术感兴趣的读者设计。通过本专栏,你将深入理解 YOLOv8 的核心原理与实际应用,从0 开始学习并掌握如何使用 YOLOv8 完成各类目标检测任务,帮助你快速上手并掌握 YOLO

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 1万+

安卓蓝牙打印XE10资源介绍:安卓蓝牙打印解决方案

安卓蓝牙打印XE10资源介绍:安卓蓝牙打印解决方案 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 在移动设备开发领域,特别是在安卓平台上,蓝牙打印功能一直是一个挑战。安卓蓝牙打印XE10项目,正是为解决这一痛点而生的开源解决方案。它为开发者提供了一个高效、稳定的蓝牙打印框架,适用于Delphi XE10开发环境,让安卓设备的蓝牙打印变得更加简单。 项目技术分析 安卓蓝...

gitblog_06717的博客 635

TC3XX - MCAL知识点(三):MCU EB-tresos配置说明及代码浅析

AURIX 2G Tc3xx的配置相较AURIX 1G Tc2xx来讲简化了许多,但是依赖于数据手册的理解来讲整个MCU功能做了较大增强,此处先简单的介绍一下,本文前期先补充介绍一下英飞凌手册的阅读规则,因为后面的文章会基于此文的一些缩写进行截图寄存器之类的。MCU在AUTOSAR架构里面的图示如下MCU驱动程序负责配置SCU、GTM、CCU6、GPT12和STM外设。驱动程序提供由AUTOSAR指定的运行时服务。

梦想技术家 2874

无人船 | 基于ROS的轻量级多无人艇自主导航仿真框架

无人水面艇USV是海上自主无人系统的关键组成部分,在民用、军用领域应用广泛,例如海上救援、水质测量、扫雷反潜等,因此对USV导航算法的研究具有重要意义。为了便于进行USV相关算法的验证与部署,本文介绍的这套基于ROS的多无人艇的自主导航仿真平台,轻量化地实现了建图、规划、控制等多种功能,同时自研框架保证了功能的高度可拓展和可定制

FRIGIDWINTER的博客 8002

DEPHI XE5 XE6 ANDROID IOS开发的几点体会

DEPHI XE5 XE6 ANDROID IOS开发的几点体会 2014-09-04 20:48 1、不纠结于APK或者APP的大小。现在的客户端设备都很廉价,300元以上的新安卓设备都不在乎软件的大小。一般情况下(指未携带打包数据库、图片等资源)APK或者APP大小在5M(APP与APK都差不多)。增加了FDAC等数据库功能,会达到7M左右,增加datasnap会增加到10M左...

weixin_30550081的博客 100

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

NEON 常用函数及其执行结果

令初始数据为: float d0[4] = {0.f, 1.f, 2.f, 3.f}; float d1[4] = {4.f, 5.f, 6.f, 7.f}; float d2[4] = {8.f, 9.f, 10.f, 11.f}; float d3[4] = {12.f, 13.f, 14.f, 15.f}; 一、基本的加载存储操作 1. vld1q_f32 float32x4...

ShaderJoy 的兴趣技术杂货铺 1万+

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。

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")

Delphi v11 安卓权限申请

上述代码中,DoGotPermissions 方法,用于调用这个模块的地方,当用户在申请权限的界面上通过了权限申请后,要执行的代码,通过这个事件方法调用。同样,上面这个函数里面的 TArray<string> 更改为:TClassicStringDynArray;我把代码封装到一个单独的 DataModule 里面了。这样方便在不同的项目里重复使用。Delphi 10.4 的安卓权限申请代码,在 Delphi 11 下面编译无法通过。原因是里面有几个变量类型的定义有所不同。

pcplayer的博客 951

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

delphi XE模拟Android手机PDA设备的虚拟键盘按键及扫码过程输入焦点及信号接收

delphi XE模拟Android手机设备的虚拟键盘按键 一、直接上代码示例 procedure TfmxTestGYListview1.FormKeyUp( Sender: TObject; var Key: Word; var KeyChar: Char; Shift: TShiftState); var CanUse: Boolean; begin if Key = vkHardwareBack then // 如果按了虚拟键:返回键 begin Key := ...

pulledup的博客 5596

【亲测免费】 Delphi10 Android开发环境配置指南

Delphi10 Android开发环境配置指南 去发现同类优质开源项目:https://gitcode.com/ 资源文件介绍 本仓库提供了一个名为“Delphi10 Android开发环境配置.docx”的资源文件,该文件详细介绍了如何在Delphi 10中配置Android开发环境。无论您是初学者还是有经验的开发者,这份指南都将帮助您顺利完成Delphi 10的Android开发环境配置。 ...

gitblog_06603的博客 696

MIUI系统和安卓系统的对应关系。

问题描述:最近在学习如何在手机端部署YOLO,老是部署不上,怀疑是不是下载SDK Platforms时Android版本出现问题,视频博士是一加手机,系统安装的Android 11.0("R"),但是我的手机是红米note11Pro,系统是MIUI12.5.18。但是具体如何对应的没有说清楚,因此我装了三个SDK Platforms,分别是Android 12L("Sv2")、Android 12.0("S")、Android 12.0("R").后面模型就稀里糊涂的部署上去了。

weixin_43501408的博客 2121

Delphi 驱动开发:实现原理与环境搭建

Delphi能不能开发Windows的驱动程序(这里的驱动程序当然不是指VxD了^_^)一直是广大Delphi fans关注的问题。姑且先不说能或者不能,我们先来看看用Delphi开发驱动程序需要解决哪些技术上问题。Delphi的链接器是无法生成Windows内核模式程序的,因此用delphi无法直接生成驱动程序。M$的链接器是可以生成Windows内核模式程序的,那么是否可以用Delphi生成目标文件,然后用M$链接呢?

众纳百川的博客 1353

【亲测免费】 推荐:FastMath —— Delphi的高性能数学库

推荐:FastMath —— Delphi的高性能数学库 项目介绍 FastMath 是一个专为 Delphi 开发者设计的高效数学库,它通过手优化的汇编代码实现了比 Delphi 原生 RTL 函数更出色的速度。此库特别适用于对计算速度有高要求的应用场景,如多媒体应用和游戏开发。其中还提供了一系列“近似”函数,虽然牺牲了少许精度,但换取了极高的运行速度。 项目技术分析 FastMath 库不仅支...

gitblog_00098的博客 788

NUnit学习笔记 Delphi 2006篇

一、简介  NUnit是一款堪与JUnit齐名的开源的回归测试框架,供.net开发人员做单元测试之用,可以从www.nunit.org网站上免费获得,最新版本2.2.6。NUnit 2.2.6有5个下载文件,这里用的是NUnit-2.2.6-net-1.1.msi。下载后双击该文件,然后按提示进行安装,这样系统中就具备NUnit环境了。二、配置类库  这次我选择的IDE是Borland的Delph

我是Didizyp 3362
上一篇: XE5安卓手机要求
下一篇: delphi for android 获取手机号
Syndicater
博客等级 码龄15年 12粉丝 18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