Android初学笔记(记录自己的学习过程,有不对的地方欢迎指出)

本文深入探讨了Android应用开发中的Activity生命周期管理及Menu菜单的使用技巧,包括Activity的注册、参数传递、生命周期方法调用、Menu菜单的创建与响应事件。通过实例解析,帮助开发者更好地理解并掌握Android应用开发的核心组件。
1. Activity必须继承自Activity父类,并且在AndroidManifest.xml中注册。注册标签<activity></activity>,必须有属性android:name,其值为<menifest标签中package属性值的后半部分。

2. 注册Activity时,可以指定应用程序打开时默认开启哪一个Activity,在<activity></activity>标签中增加字标签

<intent-filter>
<action android:name="android.intent.action.MAIN" />
<category android:name="android.intent.category.LAUNCHER" />
</intent-filter>

只有一个Activity可以指定为应用启动首选Activity。

3. Activity之间传递参数,使用Intent对象,该对象提供了extras方式的键值对参数传递方式。
Intent i = new Intent();
i.setClass(当前Activity对象,启动的Activity类);
i.putExtras("key", "value");
startActivity(i);

4. 关于Menu菜单,

点击Menu按钮,触发onCreateOptionsMenu(Menu menu) 方法
点击Menu菜单的某一个选项时,触发onOptionsItemSelected(MenuItem item)方法

5. Activity的生命周期函数
分别包含:onCreate、onStart、onRestart、onResume、onPause、onStop、onDestroy七个生命周期函数

当一个Activity启动时,分别会调用onCreate、onStart、onResume方法,此时启动另外一个Activity时,第二个Activity的onCreate、onStart、onResume方法,第一个Activity的onStop方法。

当第一个Activity不可见时,会调用onStop方法。如果第二个Activity没有把第一个Activity完全遮挡,不会调用第一个Activity的onStop方法。

onDestroy,明确调用Activity的finish()方法,会调用;当android系统资源不足够,而某个Activity已经处于不可见状态,那么该Activity执行onDestroy方法。

6. Activity中对话框形式的Activity的表示形式,在配置文件AndroidMenifest.xml中,声明Activity时,增加属性:android:theme="@android:style/Theme.Dialog"

7. Activity的布局形式,有线性布局:LinearLayout、表格形式的布局TableLayout
两者可以互相嵌套形成复杂的布局形式。

android:orientation属性,用来表示线性布局中控件的排序方式,横向或者纵向,横向的属性值为horizontal,纵向的属性值为vertical

android:layout_weight属性,用来表示该layout占用整个activity的比重,举个例子:有2个layout,一个属性值为2,一个为1,那么第一个占activity的2/3,第二个占1/3。
内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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