Android动画

coding_or_coded coding_or_coded 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 2k累计阅读 2.1k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16年
关注
原创 最新推荐文章于 2026-10-01 14:35:21 发布 2k 阅读 AI 写同款· GEO 优化 ›
Python 与 MATLAB 向量相似度计算对比：5种指标在 NumPy/SciPy 中的实现与性能 本文详细对比了Python与MATLAB在向量相似度计算中的性能差异，重点介绍了5种核心指标（欧氏距离、余弦相似度、皮尔逊相关系数、曼哈顿距离和闵可夫斯基距离）在NumPy/SciPy中的高效实现与优化技巧。通过实际案例和性能基准测试，展示了Python科学计算栈在大规模数据处理中的优势，为数据分析师和工程师提供了实用的迁移指南和优化策略。 阅读详情

  一般简单的动画可以通过Android的帧动画或者渐变动画完成，但是这两种动画的控制粒度都比较大，一旦启动动画，就没有控制的余地。下面介绍另外一种简单的实现方式：通过Handler不停地给UI线程发送消息，当UI线程处理消息时，再调用绘制方法，达到动画的效果。这样，我们可以更加精细的控制动画。

关于帧动画或者渐变动画的例子：http://download.youkuaiyun.com/detail/coding_or_coded/4367757

本文的例子：http://download.youkuaiyun.com/detail/coding_or_coded/4565379

收录于
Android UI

当前文章被收录于：

Android UI
13 篇文章 0 人学习
订阅专栏 查看详情
标签
#android #ui
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
MATLAB余弦相似性学习 根据余弦相似性原理判断两篇文章的相似程度。原理很简单，大致就是利用几个关键字组成一个特征向量，然后统计两篇文章各自对应的特征向量的值。最后计算两个特征矢量点积后的结果，即利用余弦值。如果值为1，表示两篇文章高度相似。 这里使用了两篇关于神笔马良的短故事进行操作，对比两篇文章的相似性。 关键字是自己预先给定的，这里使用了：马良；弓；箭；画画；笔；财主；作为关键字。 主要公式： 主程序代码如下： %... 阅读详情

相关推荐

AI如何重构计算机视觉：从手工特征到端到端具身感知

计算机视觉（CV）正经历从‘手工设计特征’到‘数据驱动表征学习’的根本性转变。传统方法依赖边缘检测、HOG、SIFT等人工先验，泛化弱、调参难；而以卷积神经网络为代表的深度学习，通过端到端学习自动构建语义丰富的特征空间，显著提升小样本、复杂光照、遮挡等真实场景下的鲁棒性。自监督预训练进一步降低标注依赖，使模型在医疗、工业等数据稀缺领域快速落地；多模态对齐则突破单图局限，让文本成为视觉理解的通用接口。当前技术价值已不止于识别精度，更在于支撑实时推理优化与边缘部署，驱动CV从实验室走向产线、从静态分析迈向具身智

weixin_34224941的博客 351

GLM-5科学计算能力实测：如何在本地部署中发挥真实生产力

大语言模型的科学计算能力，是指其理解数学原理、生成可执行代码并精准锚定多源技术文档的综合表现。其核心原理在于对符号系统、语法树与物理约束的三维联合建模，依赖高质量科学文献蒸馏与结构化知识注入。该能力显著提升科研自动化水平，降低数值模拟、方程求解、数据处理等任务的开发门槛。典型应用场景包括地球物理反演、量子化学计算、气象建模及工程仿真等需强领域知识与高代码可靠性的环节。本文基于GLM-5与Qwen3.5等国产模型的真实部署实践，聚焦科学计算场景下的能力验证、量化推理优化与提示词工程方法，提供可复现的本地化落地

Envisage123 460

语义通信高斯信道仿真：基于Transformer的端到端实现

信息传输经历了从比特保真到语义理解的关键转变，传统通信系统以信道容量为边界，追求比特级还原，而语义通信则关注含义的传递，在低信噪比条件下依然能保持较高的语义保真度。高斯信道作为通信仿真中最基础的加性噪声信道，是评估系统性能的起点，也是从理想信道向复杂衰落信道推广的“母本”。深度学习和Transformer架构的引入，让语义编解码器可以通过数据驱动的方式联合优化，实现端到端的语义传输。这一技术路线在无线通信、文本传输和低带宽场景中具有重要应用价值，尤其适合在恶劣信道条件下保持关键信息不丢失。本文基于Pytho

weixin_32678995的博客 265

Handler简单例子

在讲Handler之前，我们先提个小问题，就是如何让程序5秒钟更新一下Title.首先我们看一下习惯了Java编程的人，在不知道Handler的用法之前是怎么样写的程序,代码如下所示: package com.android.tutor; import java.util.Timer; import java.util.TimerTask; import android.app.Activity

冯小卫 1万+

七家头部企业数据科学实战：从AI原理到工程落地的完整链路

人工智能在产业界的应用，本质是将抽象模型转化为可解释、可验证、可运维的工程系统。其核心原理在于对业务问题的精准建模、对数据噪声与约束的真实响应，以及在算力、延迟、合规等现实边界下的技术权衡。这种能力直接决定AI能否创造可持续的技术价值——不是提升单一指标，而是降低决策成本、稳定服务体验、加速科研闭环或增强临床信任。典型应用场景覆盖零售个性化推荐、电商动态定价、流媒体情境感知、搜索引擎语义理解、视频平台完成率优化、遥感影像物理可解释分析，以及医学影像辅助诊断。本文深度拆解星巴克、亚马逊、Spotify等七家企

weixin_30876945的博客 592

轻量级本地新闻摘要系统：模块化设计与工程落地实践

新闻摘要不是通用文本生成任务，而是面向高保真、低延迟、可审计要求的结构化信息压缩过程。其核心原理在于解耦文本理解（实体识别+语义匹配）与内容生成（轻量序列模型），通过模块化流水线替代端到端黑箱推理，显著提升事实准确性与调试可控性。技术价值体现在离线运行、180MB模型体积、M2设备全链路支持，以及对政策类新闻中时间锚点、因果逻辑和立场倾向的精准保留。典型应用场景包括媒体编辑快速通稿处理、政策研究机构多源对比分析、企业舆情初筛等。本文聚焦基于spaCy+Sentence-BERT+BART的轻量化组合方案，覆

weixin_33895516的博客 354

仿写 微信 界面

网上找的的一份源码，基本实现了微信的所有界面，对于Dialog，动画等UI元素的使用都有很好的借鉴意义。 下载地址：http://download.youkuaiyun.com/detail/coding_or_coded/4596271

冯小卫 5113

AI编排：企业级LLM落地的数据调度中枢

AI编排（AI Orchestration）是一种面向生产环境的工程范式，核心在于打通大模型与企业遗留系统之间的数据断层。它并非替代传统集成平台或AI框架，而是通过混合架构实现企业系统协议兼容性（如RFC、SOAP、JDBC）与AI原生能力（如RAG、Chain-of-Thought、结构化输出）的协同。其技术价值体现在保障数据实时性、权限治理合规性、服务高可用性及LLM幻觉可控性，广泛应用于销售智能助手、供应链预警、合规审计、HR入职和客户健康度分析等关键业务场景。本文聚焦MuleSoft与LangCha

weixin_34221276的博客 502

ActivityGroup使用实例

通过名字，就应该知道ActivityGroup是一个Activity的管理器，对于一组Activity的管理非常方面。下面是实例代码： ActivityGroupTest.java package app.imo; import android.app.ActivityGroup; import android.content.Intent; import android.os.Bu

冯小卫 4721

3D高斯泼溅驱动的具身导航训练方法

具身导航是让AI智能体在三维环境中理解空间、规划路径并执行动作的核心能力。其技术基础依赖于高保真、实时、可微分的3D场景表征——传统NeRF因渲染慢、不可微而难以支撑在线策略优化，而3D Gaussian Splatting（3DGS）以显式点云+高斯椭球建模，实现照片级重建与毫秒级渲染，天然适配强化学习中的世界模型需求。该技术显著降低仿真-现实鸿沟，使低成本手机图像即可构建光学一致的视觉沙盒，支撑策略网络在逼真光影、遮挡与几何约束下完成端到端训练。典型应用场景包括高校机器人算法验证、轻量级具身AI开发及S

weixin_33824363的博客 559

表征学习入门：从原理到PyTorch实战

表征学习是现代AI的核心基础，指模型从原始数据中自动提取有意义、可迁移、鲁棒的低维语义向量的过程。其本质是构建高维‘语义坐标系’，替代传统依赖人工规则的特征工程。通过自监督预训练（如对比学习、掩码建模）等范式，模型能在无标签或少标签条件下，学会对光照变化、视角偏移等扰动保持稳定的内在表示。这种能力直接支撑大语言模型理解、视觉识别、推荐系统等关键应用。本文以图像表征为切入点，结合SimCLR对比学习实现与线性探测评估，详解编码器设计、损失函数选择及工业部署要点，帮助开发者快速掌握可落地的表征学习方法。

a5199519的博客 459

Android布局属性全面剖析

Android功能强大，界面华丽，但是众多的布局属性就害苦了开发者，下面这篇文章结合了网上不少资料，花费本人一个下午搞出来的，希望对其他人有用。 第一类:属性值为true或false android:layout_centerHrizontal  水平居中 android:layout_centerVertical   垂直居中 android:layout_centerInpare

冯小卫 4418

视觉语言动作模型的部分可观测对抗攻击与防御

视觉语言动作模型（VLA）是具身智能的核心架构，其通过跨模态对齐实现‘看-懂-做’闭环。然而，当模型依赖视野边缘区域作为空间锚点来构建坐标系时，局部微小扰动即可引发全链路推理偏移——这正是部分可观测对抗攻击的本质：不修改目标物体，而污染空间认知基座。该问题在低分辨率摄像头、多视角缺失、实时动作执行等工业场景中尤为突出，直接导致机械臂误抓、导航偏航等致命错误。本文聚焦VLA系统的鲁棒性短板，结合对抗补丁生成、动态锚点选择与物理熔断机制，提供可落地的三层防御体系，覆盖从硬件冗余到动作层校验的完整技术栈。

weixin_34327223的博客 391

超美的ListView示例

特点：不使用图片还完成精美的ListView外观。 Activity代码： package app.imo; import android.app.Activity; import android.content.Context; import android.os.Bundle; import android.view.LayoutInflater; import android.

冯小卫 3463

本地RAG聊天机器人搭建：DeepSeek-R1+Ollama+Chroma实战

RAG（检索增强生成）是一种将大语言模型与结构化知识库结合的关键技术，其核心原理是通过向量检索从私有文档中精准召回上下文，再约束模型基于该上下文生成答案，从而规避幻觉、提升可验证性。该技术具备零API依赖、本地化部署、数学公式友好等工程优势，在高校教学辅助、企业知识库构建及科研文献精读等场景中价值突出。本文聚焦于使用DeepSeek-R1作为嵌入与生成双模态引擎，结合Ollama本地模型调度与Chroma高性能向量数据库，构建端到端可复现的PDF问答系统，特别强化对LaTeX公式、页眉页脚清洗、检索置信度控

weixin_34320159的博客 345

LLM幻觉根因三断层：Tokenization、Prompt模板、评估集污染

大语言模型幻觉并非模型‘胡说八道’的玄学现象，而是数据流在关键环节断裂所致。其本质是输入表征失真（如Unicode标点未归一化）、指令格式失配（微调与推理prompt不一致）、以及评估体系失效（知识过时或来源污染）共同引发的系统性偏差。这些断层导致模型无法稳定建立‘输入→事实约束→输出’的映射关系，进而生成高置信度错误内容。技术价值在于将幻觉治理从调参式经验转向可检测、可拦截、可修复的数据工程实践；典型应用场景覆盖医疗问答、法律咨询、金融风控等强事实性领域。本文聚焦tokenization边界错位、prom

weixin_30243533的博客 423

Android触屏事件流

一次触屏事件分为三个动作 ACTION_DOWN， ACTION_MOVE 和 ACTION_UP。 其中ACTION_DOWN和ACTION_UP在一次触屏事件中只会触发一次，ACTION_MOVE可能触发任意次（包括0次）。 主要响应触屏的组件有两种，一种是可以包含子元素的（ViewGroup比如LinearLayout），另一种是不能包含子元素的View（最底层的View比

冯小卫 3294

LLM推理服务中的SLO感知调度优化实践

在AI服务架构中，服务级别目标(SLO)是衡量服务质量的核心指标，特别是在大型语言模型(LLM)推理场景下。SLO通常涉及TTFT(首token时间)、TPOT(每token生成时间)和端到端延迟等关键维度，这些指标直接影响用户体验和系统效率。传统FCFS调度策略由于缺乏SLO感知能力，在混合负载下往往导致资源利用率低下和SLO达标率骤降。通过引入基于模拟退火的动态调度算法和精准的延迟预测模型，可以实现对不同优先级请求的智能调度，显著提升GPU利用率和SLO达标率。这种技术方案特别适用于需要同时处理实时对话

weixin_42549154的博客 368

EditView中插入图片

package com.imo; import android.app.Activity; import android.graphics.drawable.Drawable; import android.os.Bundle; import android.text.Html; import android.text.Spannable; import android.text.Spannab

冯小卫 3131

点云体素化算法研究-3.Voxelization 三维模型体素化

体素（voxel）即体积元素的简称，是数字数据在三维空间分割上的最小的单位。体素化就是通过创建三维体素网格来表示三维物体，是一种将无序点云变为有序点云的降采样的空间数据结构方法，便于实现点云的空间卷积。激光雷达（LiDAR）| Open3D：第五节 表面重建-体素化。

周陽讀書 2065

linux CentOS7安装VCS、Verdi、SCL

1.Linux下所需安装文件 链接：https://pan.baidu.com/s/1E_l4ARFYEnp57jlX95Bpog 提取码：ggdz ​ synopsysinstaller_v5.0 ​ scl_v2018.06 ​ vcs_mx_vO-2018.09-SP2 ​ vcs_vO-2018.09-SP2 ​ verdi-2018.9 2.Windows破解文件 ​ scl_keygen_2030 3.安装installer 打开终端，进入synopsysinstaller_

loveyelong的博客 4618
上一篇： sqlite 升级
下一篇： Android事件处理的两种模型
点赞 0
评论 0
书签 书签 0
coding_or_coded
coding_or_coded
博客等级 码龄16年 216粉丝 115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