Android 编码规范

cicilover cicilover 博客等级 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 500+累计阅读 589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 码龄18年
关注
转载 最新推荐文章于 2026-04-03 02:24:44 发布 589 阅读 AI 写同款· GEO 优化 ›
最全面的 Android 编码规范指南.docx 这份文档参考了 Google Java 编程风格规范和 Google 官方 Android 编码风格规范。该文档仅供参考，只要形成一个统一的风格，见量知其意就可。 立即下载

参考：https://software.intel.com/zh-cn/blogs/2014/09/18/android/?utm_campaign=优快云&utm_source=intel.youkuaiyun.com&utm_medium=Link&utm_content=%20intelandroid-%20guifan

一、Android 编码规范

1.java 代码中不出现中文，最多注释中可以出现中文

2.局部变量命名、静态成员变量命名

只能包含字母，单词首字母出第一个外，都为大写，其他字母都为小写

3.常量命名

只能包含字母和_，字母全部大写，单词之间用_隔开

4.layout中的id命名

命名模式为：view缩写_模块名称_view的逻辑名称

view的缩写详情如下

LayoutView：lv

RelativeView:rv

TextView:tv

ImageView:iv

ImageButton:im

Button:btn

5.activity中的view变量命名

命名模式为：逻辑名称+view缩写

建议：如果layout文件很复杂，建议将layout分成多个模块，每个模块定义一个moduleViewHolder，其成员变量包含所属view

6.strings.xml中的id命名

命名模式：activity名称_功能模块名称_逻辑名称/activity名称_逻辑名称/common_逻辑名称

strings.xml中，使用activity名称注释，将文件内容区分开来

7.drawable中的图片命名

命名模式：activity名称_逻辑名称/common_逻辑名称

8.styles.xml：将layout中不断重现的style提炼出通用的style通用组件，放到styles.xml中；

9.使用layer-list和selector

10.图片尽量分拆成多个可重用的图片

11.服务端可以实现的，就不要放在客户端

12.引用第三方库要慎重，避免应用大容量的第三方库，导致客户端包非常大

13.处理应用全局异常和错误，将错误以邮件的形式发送给服务端

14.图片的.9处理

15.使用静态变量方式实现界面间共享要慎重

16.Log(系统名称 模块名称 接口名称，详细描述)

17.单元测试（逻辑测试、界面测试）

18.不要重用父类的handler，对应一个类的handler也不应该让其子类用到，否则会导致message.what冲突

19.activity中在一个View.OnClickListener中处理所有的逻辑

20.strings.xml中使用%1$s实现字符串的通配

21.如果多个Activity中包含共同的UI处理，那么可以提炼一个CommonActivity，把通用部分叫由它来处理，其他activity只要继承它即可

22.使用button+activitgroup实现tab效果时，使用Button.setSelected(true)，确保按钮处于选择状态，并使activitygroup的当前activity与该button对应

23.如果所开发的为通用组件，为避免冲突，将drawable/layout/menu/values目录下的文件名增加前缀

24.数据一定要效验，例如

字符型转数字型，如果转换失败一定要有缺省值；

服务端响应数据是否有效判断；

25.同一个客户端如果要放在不同的市场，而且要统计各个市场下载及使用数据时

针对不同的客户端打不同的包，唯一的区别是versionName，apk文件名为versionName.apk

在升级时，要将自己的versionCode和versionName一并传给服务端，如果需要升级，则下载versionName相对应的apk

关于是否要强制升级：

1).不管何种情况都强制升级

2).判断用户的版本和当前最新版本，如果兼容则强制升级，否则可选；

26.有的按钮要避免重复点击

 

二、Android性能优化

1.http用gzip压缩，设置连接超时时间和响应超时时间

http请求按照业务需求，分为是否可以缓存和不可缓存，那么在无网络的环境中，仍然通过缓存的httpresponse浏览部分数据，实现离线阅读。

2.listview 性能优化


1).复用convertView

在getItemView中，判断convertView是否为空，如果不为空，可复用。如果couvertview中的view需要添加listerner，代码一定要在if(convertView==null){}之外。

2).异步加载图片

item中如果包含有webimage，那么最好异步加载

3).快速滑动时不显示图片

当快速滑动列表时（SCROLL_STATE_FLING），item中的图片或获取需要消耗资源的view，可以不显示出来；而处于其他两种状态（SCROLL_STATE_IDLE 和SCROLL_STATE_TOUCH_SCROLL），则将那些view显示出来

4).list中异步加载的图片，当不在可视范围内，按照一定的算法及时回收（如在当前可视范围的上下10条item以外的图片进行回收，或者将图片进行缓存，设置一个大小，按照最近最少使用原则超过部分进行回收）

5).BaseAdapter避免内存溢出

如果BaseAdapter的实体类有属性非常消耗内存，可以将保存到文件；为提高性能，可以进行缓存，并限制缓存大小。

3.使用线程池，分为核心线程池和普通线程池，下载图片等耗时任务放置在普通线程池，避免耗时任务阻塞线程池后，导致所有异步任务都必须等待

4.异步任务，分为核心任务和普通任务，只有核心任务中出现的系统级错误才会报错，异步任务的ui操作需要判断原activity是否处于激活状态

1).主线程不要进行网络处理；

2).主线程不要进行数据库处理；

3).主线程不要进行文件处理；

5.尽量避免static成员变量引用资源耗费过多的实例,比如Context

6.使用WeakReference代替强引用，弱引用可以让您保持对对象的引用，同时允许GC在必要时释放对象，回收内存。对于那些创建便宜但耗费大量内存的对象，即希望保持该对象，又要在应用程序需要时使用，同时希望GC必要时回收时，可以考虑使用弱引用。

7.超级大胖子Bitmap
及时的销毁(Activity的onDestroy时将bitmap回收，在被UI组件使用后马上进行回收会抛RuntimeException: Canvas: trying to use a recycled bitmap android.graphics.Bitmap)
设置一定的采样率(有开发者提供的图片无需进行采样，对于有用户上传或第三方的大小不可控图片，可进行采样减少图片所占的内存)，从服务端返回图片，建议同时反馈图片的size
巧妙的运用软引用
drawable对应resid的资源，bitmap对应其他资源
任何类型的图片，如果获取不到（例如文件不存在，或者读取文件时跑OutOfMemory异常），应该有对应的默认图片（默认图片放在在apk中，通过resid获取）；

 

8.保证Cursor 占用的内存被及时的释放掉，而不是等待GC来处理。并且 Android明显是倾向于编 程者手动的将Cursor close掉

9.线程也是造成内存泄露的一个重要的源头。线程产生内存泄露的主要原因在于线程 生命周期的不可控

10.如果ImageView的图片是来自网络，进行异步加载

11.应用开发中自定义View的时候，交互部分，千万不要写成线程不断刷新界面显示，而是根据TouchListener事件主动触发界面的更新

12.Drawable

ui组件需要用到的图片是apk包自带的，那么一律用setImageResource或者setBackgroundResource，而不要根据resourceid

注意：get(getResources(), R.drawable.btn_achievement_normal)该方法通过resid转换为drawable，需要考虑回收的问题，如果drawable是对象私有对象，在对象销毁前是肯定不会释放内存的。

13.复用、回收Activity对象

临时的activity及时finish

主界面设置为singleTask

一般界面设置为singleTop

14.位置信息

获取用户的地理位置信息时，在需要获取数据的时候打开GPS，之后及时关闭掉

15.在onResume时设置该界面的电源管理，在onPause时取消设置

 

三、AndroidUI优化

1.layout组件化，尽量使用merge及include复用

2.使用styles，复用样式定义

3.软键盘的弹出控制，不要让其覆盖输入框

4.数字、字母和汉字混排占位问题：将数字和字母全角化。由于现在大多数情况下我们的输入都是半角，所以 字母和数字的占位无法确定，但是一旦全角化之后，数字、字母的占位就和一个汉字的占位相同了，这样就可以避免由于占位导致的排版问题。

5.英文文档排版：textview自动换行时要保持单词的完整性，解决方案是计算字符串长度，然后手动设定每一行显示多少个字母并加上‘\n‘

6.复杂布局使用RelativeLayout

7.自适应屏幕，使用dp替代pix

8.使用android:layout_weight或者TableLayout制作等分布局

9.使用animation-list制作动画效果

收录于
android

当前文章被收录于：

android
42 篇文章 0 人学习
订阅专栏 查看详情
标签
#android #编码规范
[干货]Android编程开发规范1 1. 布局文件中的id命名 2. 布局文件命名 2. 资源文件命名 2. 类和接口命名 2. 方法的命名 2. 变量命名 立即下载

相关推荐

机器人系统能用MQTT5.0代替ROS2吗？

更为灵活和友好的方案是通过把ROS（Robot Operating System）与MQTT（Message Queuing Telemetry Transport）协议相结合的解决方案，利用MQTT的轻量级、跨平台和广泛适用性特点，扩展ROS系统的通信能力，或将非ROS系统接入ROS网络。

QzmAIoT 2164

Android编程规范

4.【强制】将所需要动态加载的文件放置在 apk 内部，或应用私有目录中，如果应用 必须要把所加载的文件放置在可被其他应用读写的目录中(比如 sdcard) ，建议对不可信的加载源进行完整性校验和白名单处理，以保证不被恶意代码注入;【强制】在 ListView，ViewPager，RecyclerView，GirdView 等组件中使用图片时， 应做好图片的缓存，避免始终持有图片导致内存泄露，也避免重复创建图片，引起 性 能 问 题。

zeng_c_m的博客 883

汽车ECU诊断入门：手把手教你用UDS协议（ISO14229）读取和清除故障码

本文详细介绍了如何使用UDS协议（ISO14229）进行汽车ECU诊断，包括故障码读取与清除的完整流程。从诊断环境搭建、UDS协议基础到实战案例分析，手把手教你掌握0x19诊断服务、安全访问机制等核心技能，适用于汽车电子工程师和诊断开发人员。

weixin_33701251的博客 455

Android开发规范

一、Android编码规范 1.java代码中不出现中文，最多注释中可以出现中文 2.局部变量命名、静态成员变量命名 只能包含字母，单词首字母出第一个外，都为大写，其他字母都为小写 3.常量命名 只能包含字母和_，字母全部大写，单词之间用_隔开 4.layout中的id命名 命名模式为：view缩写_模块名称_view的逻辑名称 view的缩写详情如下 LayoutView：lv...

weixin_34395205的博客 236

双目相机测距原理

普通双目相机具有如下特点：左右两个相机位于同一平面（光轴平行），且相机参数（焦距f）一致。其原理图如下：如图所示，P点为相应的物体位置，CL和CR为左右相机光心位置，PL和PR分别为左相机和右相机拍摄的P点成像结果。f为相机焦距，Z为物体距相机的深度距离，b为左右相机基线距离根据几何关系有：则相应的深度信息计算公式为：（1）其中XL-XR为视差。其余在两侧的情况同样可以用几何关系分析得到该表达式（1）,即对于普通双目相机测距可以直接通过公式（1）得到深度结果。

doudou2weiwei的博客 4548

以太网接口及POE设计

PoE标准 Power Over Ethernet 是有源以太网供电的简称 通过Cat-5电缆供电在IEEE 802.3af以太网供电标准中进行了定义。PoE标准以前限制在几瓦以内，但更新的PoE技术可实现更高的功率。例如，PoE+允许每端口功率高达25 W，而PoE++（四 对以太网供电系统）通过使用现有电缆的所有电线允许70 W到100 W的功率。与此PoE标准并行的是ADI公司定义的专有标准 LTPoE++™，该标准定义高达90W的受电设备(PD)功率规范（请参见表1）。 表1. ADI...

u010783226的专栏 1万+

Android 开发规范（完结版）

其实Android开发的知识点就那么多，面试问来问去还是那么点东西。所以面试没有其他的诀窍，只看你对这些知识点准备的充分程度。so，出去面试时先看看自己复习到了哪个阶段就好。上面分享的腾讯、头条、阿里、美团、字节跳动等公司2019-2021年的高频面试题，博主还把这些技术点整理成了视频和PDF（实际上比预期多花了不少精力），包含知识脉络 + 诸多细节，由于篇幅有限，上面只是以图片的形式给大家展示一部分。【Android思维脑图（技能树）】知识不体系？

2401_84415534的博客 806

【机器人学习】abb工业机器人运动学分析与圆弧轨迹规划（三维模型+matlab代码）

下载链接 solidworks模型 D-H建模 圆仿真过程 视频过程：

yjw0911的博客 2533

Android开发代码规范

android看法代码规范，能够纠正你在编写代码时候不正规、难读的问题。帮助你成为大神！

文化园 3339

2019年数学建模美赛经验总结

北京时间2019年1月29号上午9时，数模美赛结束。美赛结束已经10多天了，我在这次竞赛中负责建模和编程，趁现在记忆还比较清晰，写下这篇博客记录第一次参加数学建模美赛的经历。 补更：2019年4月20日公布成绩，笔者最终获得了美赛一等奖 目录 1、基本情况 2、选题 3、分工合作 4、论文写作 5、建模 6、编程 7、入门资源 ...

Smallactive 7万+

微信小程序开发：实现地图导航功能

其中，id用于调用地图组件，latitude和longitude表示地图的中心点坐标，markers表示地图中的标记点，covers表示地图中的覆盖物，polyline表示地图中的折线图，show-location表示是否显示当前定位点，bindregionchange表示移动地图时触发的事件。其中，id表示标记点的唯一标识，latitude和longitude表示标记点的坐标，title表示标记点的名称，iconPath表示标记点的图标路径，width和height表示标记点的宽度和高度。

吃不胖. 8926

Android安卓编码规范及性能优化

一、Android编码规范 1.java代码中不出现中文，最多注释中可以出现中文 2.局部变量命名、静态成员变量命名 只能包含字母，单词首字母出第一个外，都为大写，其他字母都为小写 3.常量命名 只能包含字母和_，字母全部大写，单词之间用_隔开 4.layout中的id命名 命名模式为：view缩写_模块名称_view的逻辑名称 view的缩写详

thisiscx的专栏 913

基于单片机的智能体重秤设计与嵌入式程序实现

智能体重秤的基本功能是测量用户的体重，并将数据通过无线方式传输到终端设备（如智能手机、电脑或云平台）进行管理。体重测量：实时测量用户体重，并进行数据存储。BMI（体质指数）计算：基于体重和身高计算BMI值，帮助用户了解健康状况。多用户管理：通过蓝牙或Wi-Fi技术支持多用户体重数据记录。健康数据分析：结合历史数据分析体重变化趋势。语音播报：通过语音播报用户体重，便于老人或视力不便的人士使用。数据同步：通过App或云平台同步数据，进行长期健康监控。

2201_76125393的博客 1757

Android 编码规范全指南

Android开发编码规范指南 本文总结了Android开发中的编码规范实践，旨在帮助开发团队打造高质量、易维护的代码。规范内容涵盖： 核心价值 统一团队代码风格 降低认知负荷 提前规避风险 基础规范 命名规范：包名、类名、方法名等元素的命名规则 格式规范：缩进、换行、空格等排版要求 注释规范：类注释、方法注释的编写标准 语言特有规范 Java：类设计、异常处理、集合使用等 Kotlin：空安全、函数简化等特性规范 组件规范 Activity/Fragment生命周期管理 ViewModel与数据管理 避免

weixin_37794278的博客 1058

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

Android编码规范

测试一下

BettySeason的专栏 573

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。

Android开发编码规范

第一章 绪论1.1概述 编码规范对于程序员而言尤为重要，有以下几个原因： 【原因1】一个软件的生命周期中，80％的花费在于维护。 【原因2】几乎没有任何一个软件，在其整个生命周期中，均由最初的开发人员来维护。 【原因3】编码规范可以改善软件的可读性，可以让程序员尽快而彻底地理解新的代码。 ……等等很多原因，不一一列举。1.2目的 统一规范Eclipse/studio编辑环境下andro

曹银飞的专栏 4934

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")

安卓官方编码规范

在文件的顶部或者在使用它们的方法之前定义字段。

m0_72431373的博客 117

Android编码规范（转载）

工作中经常会查看源码，在对安卓的编码规范进行了较好的了解以后，能够帮助大家更好的阅读代码，比如一看到m开头的变量，就知道这是一个成员变量。 1，常见类名命名规则 2，控件变量 建议使用控件缩写+逻辑名称，例如btnLogin或者btn_login. 常见控件变量缩写如下 3方法命名 4，布局文件 以对应的类别名在前面，逻辑在后面，用下划线连接 5，drawable中的文件命...

sinat_38430122的博客 282

android 编码规范

Android编码规范 Author Gjson   一、命名规范   1. 包命名   2. 类和接口命名   3. 方法的命名   4. 变量的命名   5. 常量的命名   6. 异常的命名   7. 布局的命名   8. ID的命名   9. 图片的命名  10. 其他资源命名   二、注释规范   1. 文件注释   2. 类注释   3. 方法注释

zhuangyalei的专栏 806

开发规范-Android编码规范

代码提交规范篇 【推荐】代码提交应该短小而频繁，尽量避免单次提交大量代码。 说明：约束单次提交的范围有利于写出更加针对性的说明，也对代码审核更加友好。 反例：单次提交超过200+行的代码或20+的文件；只在休息的时候（午休、下班）提交代码；很难一句话说清楚这次提交的内容 【强制】代码提交说明应该描述本次提交的具体内容，并带上适当的前缀 feat：新功能的说明 fix：修补bug的说明 doc...

u010897392的专栏 936

【转】Android编码规范

Android编码规范  一、Android编码规范 1.java代码中不出现中文，最多注释中可以出现中文 2.局部变量命名、静态成员变量命名: 只能包含字母，单词首字母出第一个外，都为大写，其他字母都为小写,以m开头; 3.常量命名:只能包含字母和_，字母全部大写，单词之间用_隔开 4.layout中的id命名 命名模式为：模块名字(包名)_（布局名字）_layout.xml

移动开发砖家-扫地僧 298
上一篇： 优秀的编程风格（Java篇）——高薪必看
下一篇： Android Volley完全解析
点赞 0
评论 0
书签 书签 0
cicilover
cicilover
博客等级 码龄18年 47粉丝 37原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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