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
2.3k累计阅读
2.3k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
在使用java开发Android时，我们经常会封装许多工具类比如：
public class Utils{
private String getAppVersion(Context context){
........//
return version;
}
}
想要获取App的Vsersion必须传入Context对象作为参数，然而在Kotlin中我们可以直接对Context类进行扩展，增加一个方法:
new 一个Kotlin File，命名为ContextExtension，定义一个函数如下：
这样我们就可以直接使用context.getAppVersion()了，比如常见的图片加载工具类如GlideUtils也可以参照这种写法，对ImageView类进行扩展就行了
Android车载应用开发：Kotlin与Automotive OS深度实践
Android Automotive OS（AAOS）是Google专为车辆设计的操作系统，直接运行于车机硬件，提供完整的车载信息娱乐系统（IVI）。与Android Auto不同，AAOS允许开发者深度集成车辆硬件功能，如空调控制和传感器数据读取，同时遵循严格的驾驶安全规范。Kotlin作为开发语言，具备空安全设计、扩展函数和协程支持等优势，简化了开发流程。开发环境配置包括Android Studio、AAOS模拟器和Gradle配置，核心组件如CarAppService、Screen与模板系统，以及车辆
Kotlin 扩展函数详解与应用
一、什么是扩展函数？扩展函数数是指在一个类上增加一种新的行为，甚至我们没有这个类代码的访问权限。这是一个在缺少有用函数的类上扩展的方法，Kotlin能够为我们做到那些令人关注的事情，而这些Java做不到。在Java中，通常会实现很多带有static方法的工具类，而Kotlin中扩展函数的一个优势是我们不需要在调用方法的时候把整个对象当作参数传入，它表现得就像是属于这个类的一样，而且我们可以使用thi
SocraticLM: Exploring Socratic Personalized Teaching with Large Language Models
大型语言模型(LLM)被认为是推进智能教育的一项关键技术，因为它们展示了深入理解教学场景和为学生提供个性化指导的潜力。然而，当前个性化教学中基于LLM的应用主要遵循“问答”范式，学生被动地获得答案和解释。在本文中，我们提出了苏格拉底式教学模式(SocraticLM ),它实现了一种苏格拉底式的“发人深省”的教学范式，实现了真正的课堂教师的角色，让学生积极参与到真正掌握解决问题所需的思考过程中。
android 扩展函数,如何在Kotlin中使用扩展函数和扩展属性
如何在Kotlin中使用扩展函数和扩展属性发布时间：2021-05-16 11:10:55来源：亿速云阅读：56作者：Leah如何在Kotlin中使用扩展函数和扩展属性？很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。Kotlin 能够扩展一个类的新功能而无需继承该类或者使用像装饰者这样的设计模式。 这通过叫做 扩展 的特...
Tushare Day2——了解stock_basic数据并根据行业和地区进行统计
了解stock_basic数据 1 stock_basic基础信息2 导入包和stock_basic数据、查看基本信息3 根据行业列进行统计3.1 1.先把不同行业列举出来，看一下一共有多少种行业3.2 2.统计每个行业分别有多少家公司3.3 3.把行业从array的二维数组形式变成list形式3.4 4.把行业从list形式转换成文本形式3.5 
STM32H743VIT6最小系统板PCB设计全流程（AD09实战教程+封装库分享）
本文详细介绍了基于STM32H743VIT6高性能MCU的最小系统板PCB设计全流程。内容涵盖从项目规划、原理图设计到PCB布局布线的AD09实战操作，重点解析了高速电路设计中的电源、时钟、去耦等关键模块的处理要点与常见陷阱，并分享了经过验证的封装库资源，旨在为工程师提供一套完整、可靠的设计方法与实战参考。
kotlin扩展函数
kotlin扩展函数
FPGA开发中的操作系统
在FPGA开发中，操作系统起着关键的作用，它负责任务管理、资源管理、中断处理和设备驱动程序等功能。在实际的FPGA开发中，可以选择使用现有的操作系统，如MicroC/OS-II、FreeRTOS等，或者根据具体需求自行设计和开发操作系统。在FPGA（可编程逻辑门阵列）开发中，操作系统扮演着关键的角色，为硬件设计师提供了一种有效的方式来管理资源、调度任务并实现系统级功能。本文将介绍FPGA开发中的操作系统概念，并提供一个简单的示例代码来说明如何在FPGA平台上实现一个基本的操作系统。
Kotlin - 扩展函数 扩展属性
扩展函数 不修改源文件的情况下，可以动态的为一个类扩展新功能，也无需继承重写。 一个类的扩展函数可以在同包目录下直接调用，出了这个范围需要导包使用。(不必像 Java 为了定义一个方法而专门创建工具类，可以把公共函数写到一个 .kt 文件中，通过 import 导入就可以使用了)。 格式 fun 类名.方法名(参数列表) : 返回值类型 { 方法体 } fun ClassName.methodName(params1:Int, params:Int) : Int { } 举例：为Str
10万+字超硬核 机器学习 笔记（面试八股）
10w字总结面试中可能用到的机器学习八股和常用算法，包括感知机（Perceptron）、多层感知机（MLP, Multi-Layer Perceptron）、支持向量机（SVM, Support Vector Machine）、K 最近邻（KNN, K-Nearest Neighbors）、朴素贝叶斯（Naive Bayes）、决策树（Decision Tree）、随机森林（Random Forest）、Bagging、Boosting、GBDT、XGBoos、LightGBM等。
Microsemi Libero系列教程（四）——PLL的使用
文章目录PLL是什么Libero中PLL的使用官方文档 系列教程：Microsemi Libero系列教程 PLL是什么 PLL(Phase Locked Loop)： 为锁相回路或锁相环，用来统一整合时钟信号，使高频器件正常工作，如内存的存取资料等。PLL用于振荡器中的反馈技术。 许多电子设备要正常工作，通常需要外部的输入信号与内部的振荡信号同步。一般的晶振由于工艺与成本原因，做不到很高的频率...
Kotlin系列之扩展函数
简述: 今天带来的是Kotlin浅谈系列的第五弹，这讲主要是讲利用Kotlin中的扩展函数特性让我们的代码变得更加简单和整洁。扩展函数是Kotlin语言中独有的新特性，利用它可以减少很多的样板代码，大大提高开发的效率；此外扩展函数的使用也是非常简单的。我会从以下几个方面阐述Kotlin中的扩展函数。 1、为什么要使用Kotlin中的扩展函数? 2、怎么去使用扩展函数和扩展属性？ 3、什么是扩展...
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
Kotlin扩展函数
Kotlin 扩展函数 1. 为什么需要扩展函数? 我们都知道 Koltin 这门语言与 Java 有非常好的互操作性，并且扩展函数这个新特性可以很平滑与现有Java 代码集成。甚至纯 Kotlin 的项目都可以基于 Java 库或者 Android 中的一些第三方框架库来构建，所以扩展函数非常适合 Kotlin 和 Java 语言混合开发模式。在很多公司一些比较稳定良好的库都是 Java 开发的，也完全没必要去用 Kotlin 语言重写。但是想要扩展库的接口和功能，这时候扩展函数可能就会派上用场。使用
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
Kotlin 特性之扩展函数
扩展函数是 Java 不具备的，而 Kotlin 独有的特性，在日常开发中使用频率很高，类似于设计模式中的装饰模式，其作用就是在不改变原有类的情况下，扩展新的功能。在解析扩展函数的本质之前，先来了解一下 Kotlin 的另一个特性 – 顶层函数。在 Java 中有静态方法和静态属性，一般是为了提供全局共享访问的方法和属性，是独立于对象之外的。静态方法和静态属性需要在类中声明，在使用的时候也是通过类名.方法名或者类名.属性名的方式访问。
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")
Kotlin扩展函数详解
接触 Kotlin 的扩展函数有一段时间了，不过对这个知识的理解只是停留在顶层扩展函数而已。在继续学习 Kotlin 的使用时，发现这样的理解是远远不够的，比如这些问题就不清楚：扩展函数的本质是什么吗？如何引用一个扩展函数？成员扩展函数是什么，有什么用？扩展函数类型和普通函数类型是什么，如何相互转换？本文会一一演示说明并解决这些问题，现在占用同学们几分钟时间，我们一起开始吧。在实际开发中，对于顶层扩展函数的使用比较多。
76.Kotlin扩展函数简介
let 的参数以 it 的形式传递，也可以指定名称。返回 lambda 表达式最后一行的值。主要用途在于进行空值判断、值转换和局部作用域的封装。参数采用 it 传递，表示当前对象。用于执行额外操作（如日志记录、验证等）。返回对象本身以便于链式调用，不会改变原始对象的值。使用 this 作为 lambda 接收者，可以直接访问对象的属性。主要用于对象初始化和配置，不改变返回值，始终返回同一对象。应用场景包括构建对象、设置属性等操作。
Kotlin之扩展函数
Kotlin之扩展函数笔记
【Kotlin】扩展属性、扩展函数
Kotlin 提供了扩展类或接口的操作，而无需通过类继承或使用装饰器等设计模式，来为某个类添加一些额外的属性或函数，我们只需要通过一个被称为扩展的特殊声明来完成。我们可以将那些第三方类不具备的功能强行进行扩展，方便我们的操作。类的扩展是静态的，实际上并不会修改它们原本的类，也不会将新成员插入到类中，仅仅是将我们定义的功能变得可调用，使用起来就像真的有一样。Kotlin 提供了一些泛型扩展函数（在 Standard.kt 中），如：apply、also、run、let、takeIf、takeUnless等
【Kotlin】扩展函数 ③ ( 定义扩展文件 | 重命名扩展函数 | Kotlin 标准库扩展函数 )
一、定义扩展文件、 二、重命名扩展函数、 三、Kotlin 标准库扩展函数
Android筑基——Kotlin 扩展函数详解
目录1 前言2 正文2.1 （顶层）扩展函数2.1.1 声明（顶层）扩展函数2.1.2 对扩展函数的深入理解接收者类型就只是类或者接口吗？扩展函数能访问类私有的或者受保护的成员吗？从 Java 中如何调用扩展函数？扩展函数可以重写吗？类的扩展函数和成员函数签名相同，谁会被优先使用？扩展函数的接收者的本质是什么吗？如何引用一个扩展函数？2.2 成员扩展函数2.2.1 声明成员扩展函数2.2.2 对成员扩展函数的深入理解当分发接收者和扩展接收者的成员之间出现命名冲突时，会优先使用哪个成员？当分发接收者和扩展接收
Kotlin 扩展函数及原理
Kotlin 可以为一个不能修改的或来自第三方库中的类编写一个新的函数。这个新增的函数就像那个原始类本来就有的函数一样，可以用普通的方法调用，这种机制的函数称为扩展函数。// 扩展函数定义扩展函数的本质是一个对应 Java 中的静态函数，这个静态函数参数为接收者类型的对象，然后利用这个对象就可以访问这个类中的成员属性和方法了，并且最后返回一个这个接收者类型对象本身。这样在外部感觉和使用类的成员函数是一样的。另外，扩展函数与成员函数的相同点和不同点也是扩展函数中的重点。
kotlin 扩展函数
kotlin 如果需要扩展函数的话,非常简单,只需要简单几行即可完成 demo如下 fun String.add(x:Int,y:Int):Int{ return x+y } fun main(){ var content :String="handsome" println(content) println(content.add(12,12)) } 喜欢可以加Q群号:874826112,一起学习,成长,交流工作经验, 记得要点赞,评论哦????; 更多相关内容请点
kotlin 扩展（扩展函数和扩展属性）
前言 在java中我们需要扩展一个类的新功能时，一般是继承该类或者使用像装饰者这样的设计模式来实现的。 如下： public class Animal { protected String name; Animal(String name){ this.name = name; } public void showName(){ S...
【Kotlin】扩展函数 ① ( 扩展函数简介 | 为 Any 超类定义扩展函数 | private 私有扩展函数 | 泛型扩展函数 | 标准函数 let 函数是泛型扩展函数 )
一、扩展函数简介、 二、为 Any 超类定义扩展函数、 三、private 私有扩展函数、 四、泛型扩展函数、 五、标准函数 let 函数是泛型扩展函数
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3445
扫一扫
