ipad开发从图片库中加载图片

本文详细介绍了如何在iPad项目中利用数据线和mac电脑的iTunes或预览程序同步图片信息,通过UIImagePickerController实现从图片库加载图片的功能,包括设置代理、选择图片后的处理流程及展示图片的方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在设计Ipad项目时从图片库中加载图片好处是用户可以通过数据线以及mac电脑上的itunes或预览程序 同步图片信息,这样可以方便图片的管理,应用程序从图片库获取图片,可以通过如下方法:


UIImagePickerController *ipc = [[UIImagePickerController alloc] init];

ipc.sourceType = UIImagePickerControllerSourceTypePhotoLibrary; //图片库的源

ipc.delegate = self; //代理为self 可见我们应该把用户pick的相关动作处理在当前类中实现,实现代理的协议UIImagePickerControllerDelegate

ipc.allowsImageEditing = NO; //禁止编辑

[self presentModalViewController:ipc animated:YES] ; //弹出模式对话框


之后就是对用户选取的处理了

@interface TestBedViewController : UIViewController <UINavigationControllerDelegate, UIImagePickerControllerDelegate>

@end


@implementation TestBedViewController


// 3.0-3.1 提供

- (void) setAllowsEditing:(BOOL)doesAllow forPicker:(UIImagePickerController *) ipc

{

SEL allowsSelector;

if ([ipc respondsToSelector:@selector(setAllowsEditing:)]) allowsSelector = @selector(setAllowsEditing:);

NSMethodSignature *ms = [ipc methodSignatureForSelector:allowsSelector];

NSInvocation *inv = [NSInvocation invocationWithMethodSignature:ms];

[inv setTarget:ipc];

[inv setSelector:allowsSelector];

[inv setArgument:&doesAllow atIndex:2];

[inv invoke];

}


// 2.x 提供 当用户选取完成一副图片库中的图片保存到字典中

- (void)imagePickerController:(UIImagePickerController *)picker didFinishPickingImage:(UIImage *)image editingInfo:(NSDictionary *)editingInfo

{

NSDictionary *dict = [NSDictionary dictionaryWithObject:image forKey:@"UIImagePickerControllerOriginalImage"];

[self imagePickerController:picker didFinishPickingMediaWithInfo:dict];

}


// 如果用户取消

- (void) imagePickerControllerDidCancel:

(UIImagePickerController *)picker

{

[self dismissModalViewControllerAnimated:YES];

[picker release];

}

//从字典获取图片并显示到当前窗口,同时关闭模态窗口

- (void)imagePickerController:(UIImagePickerController*)picker didFinishPickingMediaWithInfo:(NSDictionary*)info

{

SETIMAGE([info objectForKey:@"UIImagePickerControllerOriginalImage"]);

[selfdismissModalViewControllerAnimated:YES];

[pickerrelease];

}



资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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