Android实战:APP换肤功能,并自动适配手机深色模式

Android 无缝换肤深入了解与使用 if(-1==name.indexOf(‘.’))//如果为系统内部的View则,通过循环这几个地方来实例化View,道理跟上面ViewProducer里面一样。//如果是系统的View或ViewGroup在xml中并不是全路径的,通过反射来实例化是需要全路径的,这里列出来它们可能出现的位置。if(name.equals(“view”)){//如果是view标签,则获取里面的class属性(该View的全名)//如果抛出异常,则返回null,让LayoutInflater自己去实例化。 阅读详情

@color/colorBgDefault1

@color/colorBgDefault2

@color/colorBgDefault3

@color/colorTextWhite

src/main/res/values/colors.xml:

<?xml version="1.0" encoding="utf-8"?>

#FCE4EC

#F06292

#EC407A

#880E4F

#FFFFFF

#E3F2FD

#90CAF9

#42A5F5

#0D47A1

#FAFAFA

#757575

#424242

#212121

style 是支持继承的, 以上述为例,app_skin_1 继承自 AppTheme, 在通过 attr 寻找其值时,如果在 app_skin_1 没找到,那么它就会去 AppTheme 寻找。因此我们可以把 App 的 theme 作为我们的一个 skin, 其它 skin 都继承自这个 skin。

1.3 自定义换肤管理类

APP的不同皮肤、颜色已定义好,我们需要定义一个类,与QMUI对接,用于管理这些皮肤,代码功能包含:皮肤的加载、切换等操作。

src/main/java/com/qxc/testandroid/QDSkinManager.java:

package com.qxc.testandroid;

import android.content.Context;

import android.content.res.Configuration;

import com.qmuiteam.qmui.skin.QMUISkinManager;

public class QDSkinManager {

public static final int SKIN_DEFAULT = 1;

public static final int SKIN_1 = 2;

public static final int SKIN_2 = 3;

public static void install(Context context) {

QMUISkinManager skinManager = QMUISkinManager.defaultInstance(context);

skinManager.addSkin(SKIN_DEFAULT, R.style.AppTheme);

skinManager.addSkin(SKIN_1, R.style.app_skin_1);

skinManager.addSkin(SKIN_2, R.style.app_skin_2);

boolean isDarkMode = (context.getResources().getConfiguration().uiMode & Configuration.UI_MODE_NIGHT_MASK) == Configuration.UI_MODE_NIGHT_YES;

int storeSkinIndex = QDPreferenceManager.getInstance(context).getSkinIndex();

if (isDarkMode && storeSkinIndex != SKIN_2) {

skinManager.changeSkin(SKIN_2);

} else if (!isDarkMode && storeSkinIndex == SKIN_1) {

skinManager.changeSkin(SKIN_1);

}else{

skinManager.changeSkin(storeSkinIndex);

}

}

public static void changeSkin(int index) {

QMUISkinManager.defaultInstance(QDApplication.getContext()).changeSkin(index);

QDPreferenceManager.getInstance(QDApplication.getContext()).setSkinIndex(index);

}

public static int getCurrentSkin() {

return QMUISkinManager.defaultInstance(QDApplication.getContext()).getCurrentSkin();

}

}

1.4、自定义皮肤保存类

当我们切换皮肤后,需要将切换后的皮肤信息保存起来,当下次启动APP时,直接加载我们切换后的皮肤。

src/main/java/com/qxc/testandroid/QDPreferenceManager.java:

package com.qxc.testandroid;

import android.content.Context;

import android.content.SharedPreferences;

import android.preference.PreferenceManager;

public class QDPreferenceManager {

private static SharedPreferences sPreferences;

private static QDPreferenceManager sQDPreferenceManager = null;

private static final String APP_VERSION_CODE = “app_version_code”;

private static final String APP_SKIN_INDEX = “app_skin_index”;

private QDPreferenceManager(Context context) {

sPreferences = PreferenceManager.getDefaultSharedPreferences(context.getApplicationContext());

}

public static final QDPreferenceManager getInstance(Context context) {

if (sQDPreferenceManager == null) {

sQDPreferenceManager = new QDPreferenceManager(context);

}

return sQDPreferenceManager;

}

public void setAppVersionCode(int code) {

final SharedPreferences.Editor editor = sPreferences.edit();

editor.putInt(APP_VERSION_CODE, code);

editor.apply();

}

public void setSkinIndex(int index) {

SharedPreferences.Editor editor = sPreferences.edit();

editor.putInt(APP_SKIN_INDEX, index);

editor.apply();

}

public int getSkinIndex() {

return sPreferences.getInt(APP_SKIN_INDEX, QDSkinManager.SKIN_DEFAULT);

}

}

1.5、APP加载QDSkinManager并适配深色模式

该工作仅需做一次即可,建议:自定义Application,实现该功能。

src/main/java/com/qxc/testandroid/QDApplication.java:

package com.qxc.testandroid;

import android.annotation.SuppressLint;

import android.app.Application;

import android.content.Context;

import android.content.res.Configuration;

import androidx.annotation.NonNull;

public class QDApplication extends Application {

@SuppressLint(“StaticFieldLeak”)

private static Context context;

public static Context getContext() {

return context;

}

@Override

public void onCreate() {

super.onCreate();

context = getApplicationContext();

QDSkinManager.install(this);

}

@Override

public void onConfigurationChanged(@NonNull Configuration newConfig) {

super.onConfigurationChanged(newConfig);

//适配 Dark Mode

if ((newConfig.uiMode & Configuration.UI_MODE_NIGHT_MASK) == Configuration.UI_MODE_NIGHT_YES) {

QDSkinManager.changeSkin(QDSkinManager.SKIN_2);

} else if (QDSkinManager.getCurrentSkin() == QDSkinManager.SKIN_2) {

QDSkinManager.changeSkin(QDSkinManager.SKIN_DEFAULT);

}

}

}

别忘了在AndroidManifest.xml中指定一下我们自定义的Application类:

<application

android:name=“.QDApplication”

…

1.6、开始编写Activity

基本工作已准备完毕,接下来我们实现定义的换肤效果。

修改MainActivity的布局文件,编写我们的UI布局:

src/main/res/layout/activity_main.xml:

<?xml version="1.0" encoding="utf-8"?>

<RelativeLayout xmlns:android=“http://schemas.android.com/apk/res/android”

xmlns:app=“http://schemas.android.com/apk/res-auto”

xmlns:tools=“http://schemas.android.com/tools”

android:layout_width=“match_parent”

android:layout_height=“match_parent”

app:qmui_skin_background=“?attr/colorPrimary”

tools:context=“.MainActivity”>

<RelativeLayout

android:id=“@+id/v1”

android:layout_width=“match_parent”

android:layout_height=“50dp”

app:qmui_skin_background=“?attr/colorBg2” >

<TextView

android:layout_width=“wrap_content”

android:layout_height=“wrap_content”

android:layout_centerInParent=“true”

android:textSize=“16sp”

android:text=“Title Bar”

app:qmui_skin_text_color=“?attr/colorTextWhite”/>

<RelativeLayout

android:id=“@+id/v2”

android:layout_width=“match_parent”

android:layout_height=“200dp”

android:layout_below=“@id/v1”

android:layout_marginTop=“10dp”

android:layout_marginLeft=“10dp”

android:layout_marginRight=“10dp”

app:qmui_skin_background=“?attr/colorBg1” />

<com.qmuiteam.qmui.widget.roundwidget.QMUIRoundButton

android:id=“@+id/btn”

android:layout_marginTop=“10dp”

android:layout_width=“200dp”

android:layout_height=“50dp”

android:layout_below=“@id/v2”

android:layout_centerHorizontal=“true”

android:gravity=“center”

app:qmui_radius=“10dp”

app:qmui_skin_background=“?attr/colorBg3”

app:qmui_skin_text_color=“?attr/colorTextWhite”

app:qmui_skin_border=“?attr/colorBg2”

android:text=“change skin” />

自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。

深知大多数Android工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!

因此收集整理了一份《2024年Android移动开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
img
img
img
img
img
img
img

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Android开发知识点,真正体系化!

由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新

如果你觉得这些内容对你有帮助,可以添加V获取:vip204888 (备注Android)
img

最后

对于很多初中级Android工程师而言,想要提升技能,往往是自己摸索成长。而不成体系的学习效果低效漫长且无助。时间久了,付出巨大的时间成本和努力,没有看到应有的效果,会气馁是再正常不过的。

所以学习一定要找到最适合自己的方式,有一个思路方法,不然不止浪费时间,更可能把未来发展都一起耽误了。

如果你是卡在缺少学习资源的瓶颈上,那么刚刚好我能帮到你。

-Imk9EpBf-1712072803086)]
img

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Android开发知识点,真正体系化!

由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新

如果你觉得这些内容对你有帮助,可以添加V获取:vip204888 (备注Android)
[外链图片转存中…(img-uPsD7CX5-1712072803087)]

最后

对于很多初中级Android工程师而言,想要提升技能,往往是自己摸索成长。而不成体系的学习效果低效漫长且无助。时间久了,付出巨大的时间成本和努力,没有看到应有的效果,会气馁是再正常不过的。

所以学习一定要找到最适合自己的方式,有一个思路方法,不然不止浪费时间,更可能把未来发展都一起耽误了。

如果你是卡在缺少学习资源的瓶颈上,那么刚刚好我能帮到你。

本文已被CODING开源项目:《Android学习笔记总结+移动架构视频+大厂面试真题+项目实战源码》收录

安卓主题深度自定义指南:从图标包到系统框架的完整美化方案 在移动设备个性化领域,主题自定义是提升用户体验的核心技术之一。其原理在于通过替换或覆盖系统及应用的视觉资源文件,实现界面风格的全面重塑。这项技术的价值在于释放了安卓系统的开放潜力,让用户从被动的主题使用者转变为主动的创造者,满足从简约到炫酷的多元化审美需求。在应用场景上,它广泛覆盖了从更换壁纸、图标包等表层美化,到借助主题引擎修改状态栏、通知栏等系统UI组件,乃至通过Root权限和框架模块进行底层深度定制的完整链路。本文聚焦于安卓主题DIY的完整路径,详细解析了包括Substratum主题引擎、LSPose 阅读详情

相关推荐

Android 换肤指南

这种方案根前面 hook LayoutInflator 的自动替换视图 的方案差不多。不过,这种方案不需要做 hook,而是对应用的内常用的控件全部做一边自定义。自定义控件内部监听换肤的事件。当自定义控件接收到换肤事件的时候,自定义控件内部触发换肤逻辑。不过这种换肤的方案相对于上述通过 hook LayoutInflator 的方案而言,可控性更好一些。

xiangzhihong8的专栏 1088

Android App 换肤实现方式

Android App 换肤是指在运行期间更改应用的主题或样式,以达到自定义界面风格的目的。通常来说,换肤可以改变应用中的字体、背景、颜色等元素的外观及样式。

特立独行的博客 3137

稳定性及性能调优<二十五>-------开发技能拓展2【Android Q暗黑模式适配、新一代组件化动态化方案App Bundle】

Android Q暗黑模式适配: 继续接着稳定性及性能调优<二十五>-------开发技能拓展1【AndroidX适配与升级指南、折叠屏适配】往下学习,接下来先来学习一个Android Q 10.0暗黑模式的适配。 为什么要适配暗黑模式? 先来看一下如何打开暗黑模式,在Android10中的设置这块有提供相关的设置: 看打开之后,就变成了: 但是呢,对于咱们的app没有做暗黑模式的适配,还是白的,很明显在晚上使用会很刺眼,下面来大概列举一下要适配暗黑模式的原因: 1、首先是在黑暗光线的情

webor2006的博客 2679

对 Android 应用换肤方案的总结

虽然现在已经有很多不错的换肤方案,但是这些方案或多或少都存在自己的问题。在这篇文章中,我将对 Android 现有的一些动态换肤方案进行梳理,对其底层实现原理进行分析,然后对开发一个新的换肤方案的可能性进行总结。 1、通过自定义 style 换肤 1.1 方案的基本原理 这种方案是我之前用得比较多的一种方案。我在使用的时候也做了很多的调整。 它的实现方式是:用户提前自定义一些 theme 主题,然后当设置主题的时候将制定主题对应的 id 记录到本地文件中,当 Activity RESUME 的时候,判断

Misdirection_XG的博客 962

安卓单词本App开发实战:SQLite存储与RecyclerView列表实现

在移动应用开发中,数据持久化与列表展示是构建高效APP的基础能力。SQLite作为轻量级关系型数据库,被广泛用于本地数据管理;RecyclerView作为Android官方推荐的列表控件,以灵活的布局管理和高效的视图复用机制,成为现代应用界面开发的核心组件。本文以期末课程设计常见的单词本应用为例,讲解如何基于Android平台实现单词的增删改查、搜索过滤及界面优化,涵盖数据库建表、DAO封装、适配器编写等关键工程实践,并探讨从SQLite迁移到Room的进阶思路。通过完整项目演示,帮助开发者掌握数据层与UI

weixin_34378767的博客 350

深入解析SOC芯片设计中DFT OCC与ATPG的协同优化策略

本文深入探讨了在复杂SOC芯片设计中,DFT(可测试性设计)的核心组件OCC(片上时钟控制器)与ATPG(自动测试向量生成)的协同优化策略。文章从基本原理出发,分析了OCC作为测试时钟管理者的关键作用,以及ATPG作为故障检测引擎的工作机制,并重点阐述了二者在测试架构选择、参数对齐、低功耗测试等场景下的协同方法与实战技巧,旨在实现更高的测试覆盖率与更低的测试成本。

efc123456的博客 1035

腾讯QMUI实战:实现APP换肤功能,并自动适配手机深色模式

作者:Android、Unity3d来源:https://www.cnblogs.com/qixingchao/p/15417834.htmlAndroid换肤功能已不是什么新鲜事了,市面...

Android技术之家 1284

告别手绘!用Aseprite+Unity Tilemap,从AI生成到2D游戏地图的保姆级搭建流程

本文详细介绍了如何利用Aseprite和Unity Tilemap从AI生成素材到搭建2D游戏地图的完整流程。涵盖AI生成素材的预处理、图层管理、动画制作,以及Unity中的Tilemap系统配置和性能优化技巧,帮助开发者高效创建像素风游戏地图。

weixin_29015483的博客 591

Appteka深色模式与动态主题指南:打造个性化应用商店体验

💊 Appteka 是一款开源、免费且支持深色模式的安卓应用商店,让你不仅能下载海量应用,还能通过动态主题功能把商店界面打造成真正属于你的样子。无论你是深夜刷应用的重度用户,还是追求视觉统一的颜值党,这篇 Appteka深色模式与动态主题指南都能帮你快速掌握全部玩法——从一键开启深色模式,到 Android 12+ 的壁纸取色,再到自定义主题色,全程无需任何代码基础。 [![Appteka应用

gitblog_00645的博客 419

ROS机器人全覆盖路径规划实战:6种ipa算法对比与选型指南(附避坑经验)

本文深入对比了ROS中ipa_coverage_planning功能包集成的6种全覆盖路径规划算法,包括牛耕分解、栅格旅行商、神经网络、局部能量最小、轮廓线和凸感知放置。文章从覆盖率、重复率、计算效率、动态避障等核心工程指标出发,提供了基于不同场景(如静态/动态环境、规则/复杂布局)的实战选型指南,并分享了神经网络和局部能量最小等关键算法的参数调优与避坑经验,旨在帮助开发者根据实际需求选择并优化最合适的ipa覆盖算法。

perl8的博客 364

在MCUXpresso上通过J-link烧写KW45

背景: KW45B是nxp 的ble npi产品,其使用的IDE为MCUXpressso或者IAR,MCUXpressso有一些bug,但是由于MCUXpressso阅读查找代码相对IAR容易,所以我经常使用的MCUXpressso进行开发。当然IAR也有其优势,比如编译、烧写速度相对MCUXpressso更快,是比较通用的一个平台,而MCUXpressso是NXP独有的。 Kw45有两种烧写方式,一是使用MCUlink,二是使用Jlink。NXP ble 产品线提供的IDE资料里有最新的15.0版本的

weixin_41889258的博客 2859

Android QMUI实战:沉浸式/适配状态栏

近期研究QMUI换肤的实现,顺便分析了下QMUI的沉浸式。网上已有很多关于QMUI实现页面沉浸式的文章,简而言之:复杂了。本期,我们仅通过几行代码,即可完美实现页面沉浸式效果,并轻松匹配换...

Android技术之家 1274

MATLAB新手必看:SVPWM七段式算法仿真全流程解析(附完整代码)

本文为MATLAB新手和电机控制初学者提供了SVPWM七段式算法的完整仿真与代码实现指南。文章详细解析了从扇区判断、矢量作用时间计算到PWM波形生成的全流程,并附带了可直接运行的MATLAB代码,帮助读者在理解FOC控制核心算法的基础上,快速掌握工程仿真与调试技巧。

weixin_29074295的博客 286

Android暗黑模式适配

Android 暗黑模式适配,包括 View 和 Compose View 页面的适配

文韬武略的专栏 1850

手把手教你玩转RISC-V指令集​​​专栏--​​1.2 对比x86/ARM:RISC-V的三大核心优势(开放、灵活、可扩展)​

​:RISC-V以“开放打破垄断、灵活适配场景、扩展定义未来”的三大优势,正在重塑计算架构格局。其核心价值不仅是技术革新,更是对全球半导体产业链话语权的重新分配。

amy_mhd的博客 130

基于YOLOv8与UI界面的校园垃圾分类督导系统

YOLO(You Only Look Once)是目前最为广泛使用的目标检测算法之一。它通过一次前向传递即完成目标检测,具有极高的速度与效率。YOLOv8是YOLO系列的最新版本,相比于之前的YOLO版本,YOLOv8在速度、精度、检测能力等方面都有了显著的提升。本项目通过结合YOLOv8模型与UI界面,成功实现了校园垃圾分类督导系统。该系统能够自动识别不同类型的垃圾,并通过UI界面实时展示垃圾分类的结果。

YOLO 337

深色模式底层原理与工程落地:从OLED省电到自适应主题

深色模式并非简单的黑白反转,而是一套涉及显示物理、色彩工程与系统交互的复杂体系。在OLED屏普及的背景下,纯黑像素不发光带来了显著的省电收益,但纯黑背景搭配纯白文字却会产生光晕效应,因此现代主题系统通过语义色与设计令牌实现灵活适配。从卡片层级亮度梯度到图表配色校准,深色模式的工程落地需要设计师与前端开发者协同解决诸多细节问题。无论是夜间阅读的舒适度,还是开发者工具的长时注视,深色模式正从可选项演变为自适应界面基础设施。本文系统梳理了深色模式的历史、底层机制、设计实务与真实收益,为相关实践提供完整参考。

weixin_34306593的博客 468

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")

百度输入法草莓熊主题美化包:双色皮肤安装与个性化定制指南

输入法皮肤作为移动设备个性化的重要组成部分,其核心原理是通过替换键盘背景、按键图标、字体颜色等UI资源文件,在不影响输入功能的前提下,实现视觉界面的深度定制。这项技术降低了用户界面美化的门槛,其价值在于让用户能便捷地打造符合个人审美的专属输入环境,广泛应用于追求个性化表达的移动设备用户群体。本文以热门的“草莓熊”IP主题为例,结合百度输入法这一具体平台,详细解析了从资源获取、双平台(iOS/Android)适配到最终部署的完整流程。文中不仅涵盖了皮肤安装、功能测试等实践步骤,还针对“版本兼容性”和“文件导入

weixin_34095889的博客 567

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

移动端App页面区域设计核心原则与实践指南

移动端页面区域设计是提升用户体验的关键技术,其核心在于理解Fitts定律与触控热区原理。通过科学划分拇指操作舒适区、伸展区和困难区,结合视觉层级构建技巧,可显著提升操作效率。在工程实践中,需要关注48dp最小点击区域、8dp安全间距等设计规范,同时运用RecyclerView复用、LeakCanary检测等性能优化手段。当前行业普遍采用响应式布局适配折叠屏/刘海屏,结合Lottie动画和服务端驱动实现动态化更新。优秀的设计方案需要平衡视觉美学与工程性能,最终在电商、社交等高频场景中实现点击率提升和用户留存优

weixin_34343000的博客 318

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。

上一篇: Android实战之app版本更新升级全文章(二),2024大厂Android开发面试总结+解答
下一篇: 图层与重绘重排与优化《性能优化第三篇》(1)
普通网友
博客等级 码龄5年 4697粉丝 610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