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
300+累计阅读
390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中使用shape定义和定制View的外观效果
在Android开发中，我们经常需要自定义View的外观效果，比如按钮的背景、文本框的边框等。为了实现这些效果，我们可以使用shape来定义和定制View的外观。
一、shape的基本概念和作用
shape是Android中的一个Drawable（可绘制对象），它定义了一种可绘制的形状或者外观效果。通过shape，我们可以定义例如圆角矩形、椭圆、线条等多种形状，并且可以为这些形状指定填充颜色、渐变色、描边宽度、描边颜色等属性。
shape通常用于定义XML文件中的标签内，然后将这个XML文件作为背景或者边框等属性应用到View上。这样一来，我们就可以通过shape来实现自定义View的外观效果了。
二、shape的使用步骤
首先，在res/drawable目录下新建一个XML文件，并命名为custom_shape.xml（也可以根据实际需求自定义名称）。
在custom_shape.xml中，使用标签定义自定义的形状或者外观效果。下面是一些常见的示例：
矩形形状：
<shape xmlns:androidAndroid中利用shape属性自定义设置Button按钮
shape标签的属性 Shape自已是可以定义当前Shape的形状的 可以设置 矩形（rectangle），椭圆形（oval），线形（line），环形（ring） 这些都是通过shape标签的shape属性来定义的。 我感觉用的最多的是，rectengle（矩形），可以自定义设置按钮的样式。 矩形里面的属性有： solid 指定内部填充的颜色 corners 定义的圆角 后面加上 android：raduis="" 设置四个圆角的半径 stroke 描边 通俗的说 就是加上一个边框 使用shape标签
第5章：C++ 继承与多态
本文深入探讨C++继承与多态机制，重点分析虚函数表(vtable)的内存布局和实现原理。主要内容包括：单继承、多重继承和虚继承的内存模型差异；虚函数表的底层结构及其在动态绑定中的作用；编译期多态与运行时多态的性能对比；虚函数的高级应用场景；以及继承相关的设计模式和最佳实践。通过实际案例揭示了指针转换时的地址偏移现象(vtable指针漂移)，并解答了dynamic_cast、CRTP等核心机制的工作原理。文章旨在帮助开发者深入理解C++多态机制的底层实现，从而在性能关键场景做出正确的技术选型。
深入掌握Android中selector与shape的使用技巧
在selector文件中定义不同状态的样式是关键，因为它决定了用户操作时视图的显示效果。例如，我们想要为一个按钮定义一个当它被按下时显示蓝色背景，而在普通状态下显示灰色背景的样式。可以如下定义selector资源：-- 按下状态 -->-- 默认状态 -->通过定义不同状态对应的属性值，我们可以控制视图在不同情况下的显示效果。当状态匹配时，系统会自动应用相应的资源，从而实现丰富的交云动效果和用户界面反馈。
Android无图自定义圆形按钮实现方案
Android 中的Drawable是一个抽象类，代表可以在屏幕上绘制的图形对象。其设计遵循“内容与表现分离”的原则，允许开发者通过代码或 XML 文件定义各种视觉效果，而无需直接操作 Canvas 进行低级绘图。这种机制极大提升了 UI 构建的灵活性与可维护性。要实现真正的“圆形”按钮，关键在于确保图形渲染结果为正圆而非椭圆。这依赖于对oval类型的正确理解和使用。随着项目规模扩大，多个 Activity 中出现数十个圆形按钮时，逐一手动设置属性已不可行。Android 提供的。
Android自定义视图实现圆弧和圆角技术详解
XML（Extensible Markup Language）是一种标记语言，它允许开发者定义自己的标签格式，用于存储和传输数据。在Android开发中，XML常被用于定义UI界面布局、菜单、样式和主题等。它通过声明式的语法使界面描述更加直观，并且可以轻松地被设计师和开发人员理解和修改。在Android开发中，自定义View提供了无限的灵活性来绘制用户界面。创建一个自定义View通常涉及继承一个现有的View类，如View或ViewGroup，并重写其构造函数和onDraw方法。
从EXIF到测绘：解码大疆影像元数据的实战应用指南
本文深入解析了大疆无人机影像元数据的实战价值，重点阐述了如何利用EXIF和XMP中的GPS、RTK、姿态角及相机内参等关键信息，提升测绘、三维重建及精准农业等项目的成果精度与效率。通过自动化质检脚本与行业应用场景剖析，指导从业者将元数据从信息转化为生产力，实现从拍照到专业测绘的跨越。
STM32f103--ADC配置
2．对于规则通道，选中EXTI线路11或TIM8_TRGO作为外部触发事件，可以分别通过设置ADC1和ADC2的ADC1_ETRGREG_REMAP位和ADC2_ETRGREG_REMAP位实现。注意： 在双ADC模式里，当转换配置成由外部事件触发时，用户必须将其设置成仅触发主ADC，从ADC设置成软件触发，这样可以防止意外的触发从转换。2．在某些双ADC模式中，在完整的ADC1数据寄存器(ADC1_DR)中包含了ADC1和ADC2的规则转换数据。通过设置ADC_CR2寄存器的ADON位可给ADC上电。
数理金融学笔记 Chap2 二叉树模型Binomial
2 二叉树模型与期权定价 Binomial Model and Option Pricing 文章目录2 二叉树模型与期权定价 Binomial Model and Option Pricing单期二叉树模型 One-step Binomial Model风险与无风险资产单期二叉树模型与无套利条件无套利定价 No Arbitrage Pricing风险中性定价 Risk Neutral PricingDelta套期保值 Delta Hedging两期二叉树模型 Two-Step Binomial Model
FPGA实现电机转速PID控制
通过纯RTL实现电机转速PID控制，包括电机编码器值读取，电机速度、正反转控制，PID算法，卡尔曼滤波，最终实现对电机速度进行控制，使其能够渐近设定的编码器目标值。
STM32 WinUSB免驱实现：从DFU模式到高速通信的实战指南
本文详细介绍了STM32 WinUSB免驱实现方案，从DFU模式到高速通信的完整实战指南。通过修改设备描述符、添加BOS描述符和实现WCID描述符集，开发者可以轻松实现即插即用的USB设备，无需额外安装驱动。文章还提供了性能优化技巧和实际应用案例，帮助开发者快速部署高效稳定的USB通信方案。
数字信号完整性分析：眼图原理与应用指南
眼图是数字信号完整性分析中的核心工具，通过将数字信号在时间域上多次叠加形成类似人眼的图形，直观反映信号质量。其原理基于时钟恢复和波形叠加，能有效展示信号的统计特性，包括上升/下降时间、过冲/下冲等关键参数。在高速数字电路设计中，眼图分析对于评估信号完整性、调试抖动问题至关重要，广泛应用于DDR接口、高速串行链路等场景。通过合理设置示波器参数和采用均衡技术，工程师可以优化眼图表现，提升系统可靠性。本文结合DDR4内存等实际案例，详解眼图的测量方法与常见问题解决方案。
智能合约监控告警：提示工程架构师用AI Prompt实现精准预警
当AI大模型（尤其是代码理解模型如CodeLlama、GPT-4 Code）与区块链数据结合，智能合约监控迎来范式革新。AI模型如何精准理解智能合约的业务特殊性？如何避免"AI幻觉"导致的误报？如何让模型学会区分"正常异常"与"攻击前兆"？答案藏在"提示工程"（Prompt Engineering）中。理解特定智能合约的业务逻辑（如DeFi协议的清算机制、NFT的铸造规则）识别复杂的攻击模式（如重入攻击的调用链特征、闪电贷的套利路径）结合链上链下数据进行多维度推理（如关联价格波动与异常交易）
在 PFCG 中完成 SAP Fiori 对象分配：把 Business Catalog、Space、Page 与授权一次讲透
摘要：SAP Fiori权限配置的关键在于理解Business Catalog与Space的分层授权逻辑。传统SAP GUI中直接分配事务码的方式不适用于Fiori环境，必须通过PFCG为角色分配Catalog（提供应用访问权限）和Space（控制首页展示结构）。Catalog会自动解析所需OData服务授权，而Space则决定用户在Launchpad中看到的导航布局。常见错误包括直接分配Page而非其所属Space，或仅配置Space而忽略Catalog。最佳实践是优先使用Catalog驱动授权提议，再在
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")
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
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
3701
扫一扫
