干货:aosp14/15版本Winscope各个功能使用详细说明(一)

Android 使用 Winscope 跟踪窗口转换 Winscope 是一款 Web 工具,可以让用户在动画和转换期间和之后记录、重放和分析多个系统服务的状态。Winscope 将所有相关的系统服务状态记录在一个跟踪文件中。使用带有跟踪文件的 Winscope 界面,您可以通过重放、单步执行和调试转换来针对每个动画帧检查这些服务的状态(无论是否有屏幕录制)。 阅读详情

背景:

只要做过窗口显示的开发同学都应该对Winscope这个神器工具都比较了解,马哥的wms课程也有详细讲解这这个Winscope相关使用,而且用它分析解决了我们的原生壁纸闪黑问题,其实所有的fw层面的闪黑,黑屏,闪屏问题都是需要使用Winscope工具才可以,不过Winscope也在每个版本都有更新,特别是新版本aosp14/15,画面UI有了较大的调整,针对新版本的Winscope马哥这边也一直没给大家详细讲解相关的使用方法,都是完全复用以前版本Winscope的方法,本文就针对新版本的Winscope如何使用来展开详细剖析。

分析跟踪记录

在加载了跟踪记录之后,点击 View traces 以直观呈现已上传的跟踪记录。每条跟踪记录的标签页都会显示在窗口的顶部面板上。如果上传的文件包含相关跟踪记录,屏幕录制跟踪记录或屏幕截图的浮动视图会叠加在屏幕上:

通过 Winscope 查看跟踪记录

图 1. 通过 Winscope 查看跟踪记录。

以下部分介绍了 View traces 界面上的界面元素。

矩形

在这里插入图片描述就是上图红框部分的区域的详细介绍。

一个适用于 Winscope 视图(例如 WindowManager、SurfaceFlinger 和 ViewCapture)的 LAYERS 面板,包含来自跟踪记录的矩形元素,可直观地呈现其在 Z 轴上的位置和顺序。

通过 LAYERS 面板上的导航控件,您可以修改矩形图层的绘制模式,以及它们的间距和旋转方式:

矩形控件

图 2. 矩形控件。

下面来对上面控件挨个剖析
在这里插入图片描述

渐变格式
注意:Winscope 默认使用渐变格式。

如需更有效地检查层次结构中的所有元素,您可以使用矩形格式按钮将矩形绘制格式切换为渐变。在渐变格式中,矩形格式按钮会变为浅灰色。

在此模式下,每个矩形的透明度会根据其 Z 顺序而降低,Z 顺序较高的矩形会更加半透明。这样一来,您就可以看到层次结构中的所有元素,而无需担心矩形相互遮挡:

矩形渐变

图 3. 矩形渐变。
不透明度格式

如需将矩形绘制格式更改为“不透明度”,请点击矩形格式按钮。在“不透明度”格式中,矩形格式按钮会变为深灰色。

在此模式下,每个矩形都会根据其不透明度(例如 Surface 或 View 不透明度)进行绘制:

矩形不透明度

图 4. 矩形不透明度。
线框图格式

如需将矩形表示法更改为“线框图”,请点击矩形格式按钮。这种表示法可让您更轻松地检查和分析层次结构中的各个元素。在“线框图”格式下,矩形格式按钮会变成没有阴影的轮廓:

矩形线框图

图 5. 矩形线框图。
旋转

使用旋转滑块可在 0 到 45 度之间更改矩形的视角,以便您发现元素离开屏幕的情况:

矩形旋转

图 6. 矩形旋转。

间距

使用间距滑块控制层间距,创建扁平化或更分散的视图,以便更好地检查元素的 Z 轴排序:

矩形朝向

图 7. 矩形朝向。
显示屏和窗口选择

在 SurfaceFlinger 视图中,当在具有多个显示屏的设备上录制数据时,系统会显示一个菜单,其中包含可用的屏幕,以便您仅选择感兴趣的显示屏。

在 ViewCapture 中,当录制多个系统窗口(例如通知栏、任务栏和启动器)时,菜单会列出可用的窗口。
平移和缩放

您可以通过点击矩形区域并拖动鼠标,水平或垂直地调整矩形的位置。如需放大、缩小或重置缩放级别,您可以使用滚轮或控件栏上的缩放按钮。

层次结构

Winscope 查看器通常会包含层次结构查看器。图 1 中的查看器会根据所分析的跟踪记录描绘各种层次结构。例如,查看器可以显示 WindowManager 中的窗口层次结构或系统界面窗口中的视图层次结构。

如需了解特定层次结构类型,请参阅各条跟踪记录的相关部分。

本部分介绍了常规层次结构用法,例如 Show diff、Show only V、Flat 和 Search 功能。

层次结构控件

图 8. 层次结构控件。
Show diff

启用 Show diff 功能后,Winscope 会自动监控并显示当前状态与之前状态之间的变化。Show diff 功能会以红色突出显示已移除的元素,以蓝色突出显示已修改的元素,并以绿色突出显示已创建的新元素。这种直观表示法可让您更快地识别和了解两种状态之间的差异,从而更轻松地跟踪更改和发现潜在问题。
注意:差异是在运行时计算的,此操作会增加延迟。此模式处于活动状态时,跟踪导航的响应速度会降低。

“Show diff”层次结构

图 9. “Show diff”层次结构。
搜索和过滤

层次结构查看器提供使用正则表达式 (regex) 的搜索功能。此过滤器同时定位到元素的名称和其值(对于属性)。当过滤器与层次结构中的子元素匹配时,整个父级链(一直到树的根)都会变得可见,如下图所示:

“Search”层次结构

图 10. “Search”层次结构。
Show only V

借助 Show only V 功能,您可以过滤掉层次结构中的所有隐藏元素。默认情况下,Winscope 会同时显示可见元素和不可见元素。可见元素以黑色绘制,而不可见元素则以灰色绘制。

Flat

Flat 按钮通过消除元素之间的父子关系来重新组织层次结构。此操作会在同一层级呈现所有元素。与 Show only V 选项结合使用时,生成的层次结构仅显示可见元素,不包括其父元素,如以下图所示:

“Flat”层次结构

图 11. “Flat”层次结构。

属性

在 Winscope 中,许多查看器都集成了媒体资源查看器。此查看器会显示与从层次结构视图中选择的元素关联的各种属性列表。例如,查看器可以显示 WindowManager 中的 activity 属性或系统界面中的视图属性。

如需了解特定属性,请参阅有关 SurfaceFlinger、WindowManager 和 ViewCapture 跟踪记录的部分。

本部分介绍了“Show diff”“Search”和“Show defaults”功能中的常规层次结构。
Show diff

Show diff 功能的使用方式与层次结构视图中的“Show diff”相同。
搜索和过滤

Search 功能的使用方式与层次结构视图中的“Search”相同。
Show defaults

默认情况下,Winscope 仅显示修改后的属性值,这些值是各自数据类型的非默认值。例如,Winscope 会省略布尔值的 false、整数的 0、对象的 null 和数组的 []。这种简化方式可简化用户可见的属性列表。不过,在某些情况下,全面了解所有元素相关信息会很有帮助。在这种情况下,Show defaults 选项会显示 Winscope 中的所有可用属性,包括值为空或 null 的属性。

属性默认内容

图 12. 属性默认内容。
一般快捷键

Winscope 支持以下快捷方式:

快捷方式

图 13. 常规快捷方式。

参考链接:
https://source.android.google.cn/docs/core/graphics/winscope/analyze/overview

更多framework实战开发干货,请关注“千里马学框架”

frameworks 之 Winscope 工具 阅读详情

相关推荐

Winscope工具使用

在Android系统开发过程中,我们经常会遇到各种瞬时性的窗口显示问题,比如闪黑、冻屏、动画异常、窗口错位等。传统调试方法如dumpsys SurfaceFlinger和dumpsys window windows虽然能提供有用信息,但对于转瞬即逝的问题往往难以捕捉关键瞬间。即便成功捕获到黑屏瞬间的日志,分析时仍需结合前后帧的上下文信息才能准确定位问题根源。这类UI问题的调试面临三大挑战:首先,问题出现时机难以把握;其次,日志文件通常非常庞大,从中提取有效信息费时费力;

Red风信子的博客 612

android display笔记(二)winscope的使用

跟踪记录会被写入 /data/misc/wmtrace/wm_trace.winscope 和 /data/misc/wmtrace/layers_trace.winscope,同时还会包含在错误报告中。通常使用prebuilts/misc/common/winscope下的winscope.html。窗口转换完成后,打开快捷设置,然后点按 Winscope 跟踪记录以停用跟踪记录。依次转到开发者选项 > 快捷设置开发者图块。点按 Winscope 跟踪以启用跟踪。点击Add FILE。

镇元子的博客 5614

解读 WebSphere Application Server 跟踪文件

解读 WebSphere Application Server 跟踪文件

android车机手机黑屏闪黑终结者-Winscope工具使用介绍

在开发过程中,经常会遇到各种各样的窗口问题,比如动画异常、窗口异常、闪屏、闪黑、黑屏、错位显示…对于这些问题,添加日志,调试分析代码等手段去解决,但这些 UI 问题往往出现在一瞬间,很难把握出现的时机,录制下来的日志往往也是巨大的,从海量的日志中提取有效的信息是一个枯燥且繁琐的事情,而且也根本没有办法把显示时间戳和日志时间戳完全对好。Android 也意识到了这个问题,WinScope 的出现有效的帮助我们跟踪窗口和显示问题。它向开发者提供一个可视化的工具,让开发者能使用工具跟踪整个界面的变化过程。

learnframework的博客 6674

Claude Code 的 Subagent 到底怎么用?

Subagent是ClaudeCode中的专业化AI代理系统,每个代理专注单一领域(如代码审查、数据库设计),具备独立记忆空间和并行处理能力。适用于中大型项目开发,通过配置文件定义代理职责与权限,可显式调用或自动触发多代理协作。典型场景包括代码安全审查、全栈并行开发和技术方案对比。使用时需注意避免过度拆分、权限过宽等陷阱,结合链式工作流和负载均衡可显著提升效率。实测在电商项目开发中能缩短20%工期并提升40%性能。

bgeyq的博客 1995

ESXI 7 :创建统信V20_1050d服务器系统虚拟机

记录一下在 X86 架构创建统信V20_1050d 虚拟机遇到的问题。已遇到的问题有①:常规服务器环境下网络连接失败重点:按照桌面版本,有问题处理简单。

guyuelin123的博客 1970

Winscope在aosp 13/14/15版本的使用总结

这里说的是一般并不是绝对,其实本质就是只要各个版本之间设备上抓取的Winscope的数格式差异不大可以兼容就可以,但是一般aosp13以后几个版本这块数据格式都有修改,所以13版本Winscope不支持抓取展示14,15设备版本数据。因为Winscope这个网页软件肯定是会考虑老版本兼容的功能,所以一般Winscope网页是新的,是可以兼容抓取老版本安卓设备的Winscope数据,比如aosp 15版本Winscope支持抓取展示aosp13设备的数据。3、Winscope的版本直接兼容原则是怎么样的?

learnframework的博客 2465

ArchLinux下用Wine运行钉钉全攻略:从字体配置到中文输入法避坑

本文详细介绍了在ArchLinux系统上使用Wine运行钉钉的完整配置流程。从最新的WoW64架构环境准备、中文字体配置与DPI优化,到钉钉安装、关键系统库替换,再到解决中文输入法失效等核心难题,提供了实战避坑指南。旨在帮助Linux用户在企业办公场景下,获得接近原生的稳定使用体验。

alice7model的博客 591

必读干货:aosp/安卓16版本winscope编译踩坑过程及相关新特性介绍

Winscope这个开发工具其实每个安卓版本都在更新,而且每个版本的编译方法都有所不同,一般新版本Winscope和设备安卓版本还要进行匹配,不然可能会存在一定的兼容性问题。在以前14,15初期rc版本,其实不会有这个网络问题,那时候不会去Fetch,那么现在这个问题怎么办呢?那只能考虑楼梯啦,具体方法大家自己考虑哈,反正要解决你的terminal可以访问google既可以。今天受vip学员的求助,我们来探索aosp16版本Winscope编译全过程及相关的新特性体验。

learnframework的博客 2216

高通camera调试经验总结

修改AF对焦模式 adb shell setprop vendor.debug.camera.af.manual 2 //使能手动对焦 adb shell setprop vendor.debug.camera.af.manual 0 //使能自动对焦

weixin_43381364的博客 1万+

SpringBoot不用三方框架,怎么动态调度定时任务,ScheduledExecutorService 详解

Spring Boot 提供了强大的定时任务支持,无需依赖任何第三方框架,即可轻松实现可配置的定时任务。通过使用 `@EnableScheduling` 注解启用定时任务支持后,我们可以利用 `@Scheduled` 注解来定义定时任务的方法,这些方法可以在指定的时间间隔或特定时间点自动执行。 我们还可以通过集成 `ScheduledExecutorService` 来实现灵活的定时任务管理。`ScheduledExecutorService` 是 Java 标准库的一部分,能够以固定速率或延迟执行任务,

横竖撇折点 1940

aosp15上winscope离线html如何使用?

文章中也说明在aosp15如果直接使用编译好的离线html是有问题的,无法正常显示抓取的Winscope文件。针对这样一个问题对于有些同学来说还是很不友好,因为很可能他们不想搭建node相关的环境,那么针对 aosp15上Winscope离线的html是否真的不可以使用呢?不过我们可能不关心原因,因为这块毕竟属于前端的知识,我们更关心应该怎么解决。

learnframework的博客 2421

Cadence16.6安装教程

如需安装所需的软件,请到文章末尾处查看 安装步骤: 安装前先关闭杀毒软件和360卫士,注意安装路径不能有中文,安装包路径也不要有中文。 试装系统:win10 64bit 1.解压安装包(共5个压缩包,每个都要解压) 2.以管理员身份运行安装程序。 3.选择License Manager。 4.点击NEXT。 5.选择I accept,然后点击NEXT。 6.选择License Manage...

谢谢关注“小鱼教你模数电”,各平台同号 8万+

安卓aosp15手机上如何离线获取winscope文件

哈哈当然不是哈,只是aosp15新版本的手机上离线抓取已经一起整合到了perfectto部分了,不和原来一样抓取方式,所以自然原来按钮就去除了,接下来就重点给大家讲解aosp15上如何离线抓取winscope。这篇文章搭建的winscope的方式同样适用于aosp15版本,只需要使用最新的aosp15相关的源码环境的winscope依赖既可以完成编译。然后点击上面的Record trace按钮可以开始抓取了,点击结束抓取后可以看到如下路径data/local/traces已经有相关的文件。

learnframework的博客 1114

基于 ESP32 与 TDS 传感器的水培营养液离子浓度自动配比系统设计与实现

本系统以 ESP32 为主控芯片,结合 TDS(总溶解固体)传感器实时监测水培营养液中的离子浓度,通过蠕动泵自动补充浓缩营养液或清水,实现营养液 EC 值的闭环自动配比。系统适用于家庭及小型农场的水培种植场景,可稳定维持营养液浓度在作物生长所需的最佳区间。

weixin_42300449的博客 83

从入门到精通:3D视觉与SLAM实战全流程 mastery 教程

本文系统介绍了3D视觉与SLAM技术的应用前景、核心技术和实战路径。3D视觉通过RGB-D相机、激光雷达等传感器获取环境三维信息,SLAM技术实现自主定位与地图构建,二者结合广泛应用于自动驾驶、机器人导航等领域。文章详细拆解了点云处理、视觉里程计、回环检测等关键技术,并提供了ORB-SLAM2算法复现、语义SLAM开发的实战教程,涵盖硬件选型、环境配置到代码实现全流程。最后规划了从入门到专家的学习路径,推荐了相关书籍、开源项目和数据集资源,为读者掌握这一前沿技术提供了完整指南。

m0_71589036的博客 137

安卓闪黑黑屏分析工具:aosp14/15版本Winscope之时间轴部分使用剖析

点击展开图标后,Winscope 会显示一个更大的时间轴,其中包含所有跟踪记录。与迷你时间轴类似,展开式时间轴还提供缩放功能并支持快捷导航,从而增强用户与时间轴互动时的控制和精确度。如果你在某项特定跟踪记录的最后一个时间戳之后点击,Winscope 会加载该跟踪记录的最后一个时间戳。如果您放大过度,可以随时点击放大和缩小按钮旁边的刷新按钮 (时间轴重置按钮),将缩放级别重置为与第一个查看器标签页对应的轨迹长度。注意:箭头导航可在所选时间轴行(如果您点击了时间轴)或打开的跟踪记录标签页的状态之间跳转。

learnframework的博客 975

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")

aosp15/16版本Winscope新特性ViewCapture实战支持

本文介绍了Android系统应用中使用ViewCapture工具捕获视图层级的配置方法。ViewCapture通过遍历视图树获取属性信息,相比屏幕录制性能开销更小。文章详细说明了如何在系统应用中添加依赖、初始化ViewCapture实例,并提供了Activity和Window两种场景的代码示例。同时指出了ViewCapture的性能和内存限制,建议仅在调试时使用。最后通过对比实验证明,未配置时Winscope无法捕获视图层级,而正确配置后可成功捕获Activity视图信息。该工具为系统UI调试提供了有效手段

liaosongmao1的专栏 104

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

aosp15/14 窗口动画ShellTransition深入实战专题剖析

最新版本安卓aosp15 分支r3总计30课时以上有android相关基础知识,android framework相关基础知识的人群,适合安卓系统工程师,窗口相关工程师要进行提高的,或者企业里面经常要解决一些显示类疑难问题如:闪屏,闪黑,黑屏等人群。课程知识收益1、最新的aosp15代码的ShellTransition相关内容的深入剖析2、深入理解同步刷新等机制及相关的作用3、aosp15版本winscope相关的高级用法,分析显示类问题高级技巧。

learnframework的博客 889

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

上一篇: 跟着文档重学binder之线程处理部分
下一篇: 安卓闪黑黑屏分析工具:aosp14/15版本Winscope之时间轴部分使用剖析
千里马学框架
博客等级 码龄6年 1万+粉丝 652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

打赏作者

千里马学框架

帮助你了,就请我喝杯咖啡

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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