面对DP 11倍涨价,安卓FW工程师如何减少Token成本

背景

Deepseek一直是我们国内程序员比较喜欢的模型平台,主要原因是国外一些模型价格贵,而且使用相对没有国内的方便毕竟有个墙,所以大家就会选择性价比很高的Deepseek,普通程序员平均token最多也就10块钱一天,虽然性能表现方面可能不如国外的,但是它便宜就是最大的优点。

但是昨天Deepseek正式开启涨价模式
在这里插入图片描述
下面是涨价详细比例:

在这里插入图片描述可以看出这个价钱确实相比以前涨幅居然达到11倍,很多学员也反馈开始用不起Deepseek了。

不过涨价我们消费者也没啥好的办法,要么找个替代品,不过替代品和它的价格相差不了,要么继续省着点用。

特别是Android Framework 开发涉及大量大型源码文件(如 ActivityManagerService.java 超过 2 万行),日常调试依赖 logcat、dumpsys、tombstone、perfetto 等诊断数据。在大模型 API 按 Token 计费的模式下,直接将这些原始数据完整喂给 AI 会导致极高的成本。同时,Output Token 通常比 Input Token 单价更高(3~5 倍),进一步放大了开销。

这里本文主要教大家免费和付费模型两个方式来节省成本。


免费模型使用

因为网页对话这种AI使用方式都是免费的,所以大家尽量评估好相关的问题情况,看看是否需要大量读取本地代码,或者修改代码等,如果不涉及与系统文件交互等,比如一些简单的提问,或者写一写简单的demo脚本,小工具等,不需要依赖系统中的环境就可以输出的,这种大家其实也可以考虑使用网页版本的免费方式。

在这里插入图片描述

简单说就是需要我们准确去评估需求是否比较简单,本身可以通过对话就搞定的,这种场景只适合不要对本地代码进行交互的简单任务,不适合非常复杂需要理解读取aosp源码,还需要帮忙触发系统编译验证等场景。

付费模型节省Token方法

1. 代码上下文的精准裁剪

1.1 骨架化提取

对于单个 AOSP 源文件,通常只有目标方法及其直接依赖的成员变量和类结构相关。建议只提取以下内容:

  • 类的包名、导入的关键类型(可选)
  • 核心成员变量声明(与问题相关的状态字段)
  • 目标方法的完整签名及内部实现片段(聚焦于逻辑分支、状态机转移、锁操作等)

例如,分析 ActivityTaskManagerService.startActivityAsUser 中的权限检查逻辑,可以只粘贴该方法的 checkPermission 调用相关代码块,以及 mPermissionManager 等成员定义。其他无关的私有辅助方法、Javadoc、dump 方法等一律省略。

实际操作时,可以通过 IDE 的折叠功能或手动复制,将 1.5 万行的文件压缩到 300 行以内。Input Token 可减少 90% 以上。

1.2 调用链切片

分析跨进程 Binder 通信时,不需要贴出完整的 AIDL 实现或服务端全部代码。建议用简洁的伪代码描述调用路径,仅当涉及到具体实现细节时粘贴对应方法片段。

示例格式:

[Client] ContextImpl.startActivity() -> IActivityManager (Binder proxy)
[IPC] IActivityManager.aidl (interface definition, only method signature)
[Server] ActivityTaskManagerService.startActivityAsUser()
  - 权限检查: checkPermission() 相关代码(粘贴 30 行)
  - Task 栈操作: moveTaskToFront() 相关代码(粘贴 40 行)

这种做法让 AI 明白调用关系,同时避免传输大量无关代码。


2. 日志与 Trace 数据的本地前置清洗

2.1 Logcat 过滤

未经处理的 logcat 包含大量时间戳、PID/TID、重复心跳日志等冗余信息。建议使用 grep 和 awk 在本地提取关键行:

adb logcat -d | grep -E "ActivityManager|WindowManager" | awk '{$1=""; $2=""; print substr($0,3)}' > filtered.log

该命令移除时间戳和 PID,只保留 Tag 和消息内容。再按需保留目标进程或特定 TAG,通常可将 2000 行压缩到 50 行以内。

2.2 dumpsys 截取

dumpsys window windows 等命令会输出数百个窗口状态,建议只截取与当前问题相关的包名或窗口 ID:

adb shell dumpsys window windows | grep -A 20 "mCurrentFocus" > window_focus.txt

或使用 dumpsys activity 时只输出目标 Activity 的堆栈信息:

adb shell dumpsys activity activities | grep -A 30 "TaskRecord.*your.package"

2.3 Tombstone / Native Crash

对于 tombstone 文件,重点提取:

  • 崩溃线程的 native backtrace
  • Fault address 和 memory map 附近区域
  • 关键寄存器值(PC、LR、SP)

其余线程的堆栈和完整寄存器 dump 通常不参与分析,可丢弃。

2.4 Perfetto / Systrace

Perfetto 生成的原始 trace 文件可达几百 MB。建议先在本地 Perfetto UI 中加载,定位到异常时间区间(如长时间持有锁、掉帧卡顿),然后将该区间内的关键事件(如 binder 事务、锁等待、GPU 完成)以文本列表形式导出,或手动摘录耗时超过阈值的 slices。只有这些文本摘要才输入给 AI。


3. 分级模型路由策略

并非所有任务都需要使用最强大的旗舰模型。我们可以建立一套分级机制,根据任务复杂度选择不同模型,从而平衡成本和效果。

任务类别推荐模型成本等级
正则表达式编写、脚本转换、日志格式化、基础语法解释本地 Ollama(Qwen-7B/DeepSeek)或 GPT-4o-mini / Claude Haiku极低
单个方法重构、AIDL 接口设计、单一 crash 栈分析、单元测试生成DeepSeek-V3、Claude 3 Sonnet、GPT-4o(中等档)中等
系统级死锁分析、SurfaceFlinger 渲染管线竞态、跨版本兼容性重构、多进程 ANR 根因Claude 3.5 Sonnet / GPT-4o(旗舰)高(仅限少量调用)

建议在内部工具中根据关键词自动匹配模型等级,例如提问包含"死锁"、“SurfaceFlinger”、"跨版本"等词汇时切换旗舰,否则使用中等模型。


4. 会话隔离与上下文缓存

4.1 单任务会话

长期在同一个会话中追加问题会导致每次请求都携带之前所有对话历史,造成 Input Token 线性增长。建议:

  • 每个独立 Bug 或功能点启动一个新会话。
  • 当需要切换分析方向时,主动总结当前阶段的结论(3~5 句话),然后开启新会话,将总结作为系统提示的一部分提供给 AI,丢弃之前的试错代码和中间推理。
  • 避免在同一个会话中让 AI 多次修改同一段代码,每次修改后即关闭会话,下次重新贴入最新版本。

4.2 利用 Prompt Caching

部分 API 服务商支持提示词缓存(如 Anthropic 的 Prompt Caching)。对于频繁使用的稳定内容(如团队自定义的 AIDL 接口规范、特定 Android 版本的 API 差异说明、内部编译环境变量),可以将这些内容放在提示词最前面,并设置为可缓存。命中缓存后,该部分内容的 Input Token 可享受 50%~90% 的折扣。

实际操作时,建议将固定背景信息与每次变化的提问内容分离,将固定段放到 prompt 头部,并设置 cache_control 标记(以 Anthropic API 为例)。


5. 分步迭代式需求拆解与过程评审

5.1 一次性提交完整需求的问题

很多开发者习惯一次性将完整需求描述发给 AI,期望直接得到最终代码或根因结论。这种做法存在两个问题:

  • 上下文过载:需求越长、越复杂,AI 在中间步骤丢失初始约束的概率越高。
  • 偏离无法及时纠正:AI 可能在某个中间步骤采用了错误的实现路径,但由于用户没有检查中间产出,等到最终结果出来才发现方向完全错误,不仅浪费了本次调用的 Token,还需要开启新会话从头再来。

5.2 将需求拆解为可验证的小步骤

以"修改 AMS 中 Activity 启动流程,增加一个自定义权限检查"为例,不建议直接让 AI 一次性修改整个 startActivityAsUser 方法。建议拆解为以下步骤依次进行:

Step 1: 确认插入点

  • 向 AI 提供 startActivityAsUser 的简化代码片段,询问"在哪个位置插入权限检查最合适?"
  • 评审 AI 给出的位置是否符合预期(是否在跨进程调用边界内?是否持有锁?)

Step 2: 设计检查逻辑的桩代码

  • 让 AI 生成一个空壳方法 checkCustomPermission(...),仅包含参数定义和返回值占位。
  • 评审方法签名是否需要传入 IBinder 或调用者 PID/UID。

Step 3: 实现具体检查逻辑

  • 在确认了插入点和桩代码后,让 AI 填充具体实现,包括读取系统设置、比对白名单等。
  • 评审实现是否考虑了异常路径(权限服务不可用、IO 失败等)。

Step 4: 生成 patch 并附加日志

  • 让 AI 生成 git diff 格式的输出,并在关键分支加入 Slog 埋点。
  • 评审 patch 是否遗漏了 import 变更或资源文件更新。

每个步骤之间,开发者需要主动审查 AI 的输出。如果发现某一步的设计不合理(例如插入点选在了持有大锁的区域内),应立即停止当前步骤,向 AI 反馈具体问题,而不是让 AI 继续沿着错误方向推进。

5.3 Bug 排查场景下的分步策略

对于根因分析类任务,同样建议分步进行:

Step 1: 定位异常现象

  • 提供过滤后的 logcat(50 行以内),让 AI 识别最可疑的 ERROR/WARN 行,并给出 3 个可能的方向。

Step 2: 排除干扰因素

  • 根据 AI 的第一个输出,要求其排除其中两个方向,给出最可能的唯一假设。
  • 评审该假设是否与已知的系统行为(如 Android 版本差异、硬件平台限制)矛盾。

Step 3: 验证假设

  • 让 AI 建议一条可执行的验证方案(例如使用 dumpsys 查看特定状态、添加临时调试日志)。
  • 执行验证后,将结果反馈给 AI,确认或修正假设。

Step 4: 生成修复方案

  • 在假设被确认后,让 AI 给出具体的代码修改建议。

5.4 主动干预的时机和方式

在分步协作过程中,建议在每次收到 AI 回复后执行以下评审检查清单:

  • 该步骤的输出是否与初始约束条件一致(如目标 API 版本、团队编码规范)?
  • 是否存在明显的边界条件遗漏(空指针、异常捕获、资源释放)?
  • 是否引入了新的依赖或修改了不应改动的公共接口?

一旦发现任何一项不满足,应立即通过新的 Prompt 向 AI 明确反馈偏差:

"你上一步建议的插入点在 takeLock() 之前,但 takeLock() 会阻塞 binder 线程池,请换到 takeLock() 之后且 resumeActivity() 之前的区间重新设计。"

这种"AI 产出 → 人工评审 → 修正指令 → 继续"的闭环迭代,虽然单次任务的会话轮数增加了,但每轮的输入/输出 Token 都保持精简(每轮只处理一个聚焦问题),总 Token 开销远低于"一次大需求让 AI 跑偏后重来"的成本。同时,开发者对最终产出的可控性明显增强。


6. 严格控制输出 Token

Output Token 单价较高,应通过提示词约束 AI 的回复长度和格式。在每次请求的系统提示或用户提示末尾添加明确的输出要求。

示例约束:

输出要求:
1. 不要有任何开场白、致谢或总结性废话。
2. 直接给出结论或修改后的代码。如果需要说明,最多使用 3 条项目符号,每条不超过 20 个中文字。
3. 代码修改以 git diff 格式呈现,仅包含改动的方法或代码块,不要重写整个文件。

实测表明,这类约束可将平均 Output Token 从 800 压缩到 200 以内,且信息密度明显提高。


7. 日常操作对照表

环节传统做法(高消耗)优化做法(低消耗)
代码输入粘贴整个 .java 或 .cpp 文件仅提取目标方法 + 关键成员 + 类骨架
日志输入粘贴数千行原始 logcat本地 grep/awk 过滤,保留 < 50 行关键信息
会话管理持续使用同一个会话每个 Bug 新开会话,切换方向时总结后重建
需求提交一次性提交完整需求拆分为多个小步骤,每步评审后再继续
输出生成让 AI 自由输出完整代码指定 diff 格式,限定要点数量
模型选择始终使用最强旗舰模型按任务复杂度分级使用不同模型

结语

不要以为有了AI工具你就可以啥也不管,其实AI只是你的辅助,你绝不可以过渡依赖AI,对于AI工具去需求实现和bug修复的每个过程,自己也要清楚核心思路等。
有了AI不是让你可以啥都不需要懂,不需要学习了,有了AI只是让你的工作和学习效率更高了,每个人都会用AI,但是AI上限其实决定于你的个人知识能力,而不是AI本身。
就像菜鸡用AI去实现fw实战需求和你高手用AI实现能一样效果么?

通过在本地进行充分的静态分析和数据过滤,将精炼后的信息输入给合适的模型,并严格控制会话历史、输出长度以及需求拆解粒度,我们系统开发者可以在保证分析质量的前提下显著降低 API 调用成本。同时,由于输入噪音减少、中间步骤经过人工评审,AI 的回答准确率和最终产出的可控性也会明显提升。

骨架动作识别新突破:CTR-GCN的通道拓扑优化策略解析 本文深入解析了CTR-GCN在骨架动作识别中的通道拓扑优化策略。通过引入通道级拓扑细化,CTR-GCN克服了传统GCN共享拓扑结构的局限性,显著提升了动作识别的准确率。文章详细介绍了CTR-GCN的三大核心组件设计,包括特征变换模块、通道拓扑建模和通道聚合技术,并提供了实战调参经验和模型压缩技巧,为计算机视觉领域的研究者和开发者提供了有价值的参考。 阅读详情

相关推荐

Android逆向分析

Android 逆向开发是指对已发布的 Android 应用进行分析和破解,以了解应用程序的内部工作原理,获取应用程序的敏感信息,或者修改应用程序的行为。Android应用 Java编写的,利用Android SDK编译代码,并并且把所有的数据和资源文件打包成一个APK(Android Package)文件这是一个后缀名为.apk的压缩文件,apk文件中包含了一个Anddroid应用程序的所有内容,是Android平台用于安装应用程序的文件。

qq_51598534的博客 6294

面对DP 11倍涨价,安卓FW工程师如何用TaoToken减少Token成本

安卓FW工程师面对DeepSeek涨价,用TaoToken统一Key接入Cline与CC Switch,配合本地裁剪logcat、tombstone和AOSP源码,把Input Token砍掉八九成。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 提供分级模型路由与用量对比,让Token成本可控。

weixin_29025501的博客 195

CAPL编程入门:从零开始掌握汽车通信脚本语言

本文详细介绍了CAPL编程的基础知识,从开发环境搭建到核心语法精要,再到总线通信实战和高级调试技巧。CAPL作为汽车通信脚本语言,专为CAN、LIN等网络协议设计,帮助工程师高效完成车载网络测试。通过实战案例和性能优化建议,读者可以快速掌握CAPL编程技能。

s1t2u3的博客 983

Android Visualizer 实战:把声音画出来

是系统提供的音频效果(AudioEffect)之一。它挂在音频链路上,,把数据回吐给你——画波形、画频谱、做响度表。

Android的专栏 320

GT911触摸驱动避坑指南:从寄存器读取到多点触控处理的5个关键步骤详解

本文深入解析了GT911触摸驱动开发中的关键步骤与常见问题。从硬件初始化、I2C通信建立,到核心寄存器操作、缓冲区状态管理,再到配置表烧录与多点触控数据解析,提供了详尽的避坑指南。文章结合STM32等平台的实战代码,重点阐述了驱动调试中的时序、中断处理和坐标映射等核心要点,帮助开发者高效实现稳定可靠的多点触控功能。

weixin_29189363的博客 676

三态门Multisim电路仿真——硬件工程师笔记

三态门原理及应用摘要 三态门是具有高电平(1)、低电平(0)和高阻态(Z)三种输出的逻辑电路,通过使能端(EN)控制状态切换。高阻态时输出端等效断路,避免信号冲突。其核心应用包括: 总线系统:多设备共享总线时,仅使能选中设备的三态门,其余保持高阻态,防止干扰。 数据选择器:利用三态门切换多路输入信号,简化电路设计。 实现方式分两种: TTL三态门(三极管构成):低电平使能有效,仿真验证输出逻辑与高阻态。 MOS三态门(MOS管构成):高电平使能有效,仿真显示使能信号控制输出状态。 文中还附硬件工程师笔试面试

XU157303764的博客 2013

PHP多维数组排序完全指南

需求:订单按「待付款 → 待发货 → 已完成 → 已取消」排,而不是按字典序。??});用??给未知状态兜底,避免警告。/*** 多字段排序(usort 版,支持保留键名与自定义比较器)* 用法:* @param array $list 待排序数组* @param array $rules [字段名, 方向 asc|desc, 类型 numeric|string|natural|regular]* @param bool $keepKeys 是否保留键名(true 用 uasort)

qq_19716091的博客 183

Open3D 计算点云配准的旋转和平移误差

通过计算旋转误差和平移误差来量化配准结果与真实变换之间的偏差。

点云侠的博客 254

Android 开发入门实践(十三):用 Intent、UiState 和 Reducer 理解 MVI 的状态更新

本文记录第141—145课对MVI架构的入门实践,通过“返回列表”功能逐步构建意图(NewsIntent)、状态(NewsUiState)与状态转换(reduce)机制。基于单向数据流,用户操作生成意图,ViewModel通过Reducer根据旧状态计算新状态,并通过StateFlow更新Compose界面。代码实现清晰分离关注点,强化了对状态管理、事件驱动与数据流的理解。

Easyhood的博客 356

keil内无法打开ccs图形编程,弹框提示:无法加载一下来源的扩展程序:C:\...清单文件缺失或不可读取,如何解决?

🏆本文收录于 《全栈Bug调优(实战版)》 专栏,该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因,并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者,还是拥有多年项目经验的资深工程师,本专栏都将为你提供一条系统化、高质量的问题排查与优化路径,助力你加速成长,攻克技术壁垒,迈向技术价值最大化与职业发展的更高峰🚀!

**My Coding Family** 1377

Windows下超详细安装Anaconda3以及jupyter notebook

1.下载Anaconda安装包 Anaconda官网网站:https://www.anaconda.com/products/individual下载安装包速度比较慢,国内小伙伴不建议尝试。 我们可以使用清华大学开源软件镜像站:清华大学开源软件镜像站:https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/,请选择适合自己系统自行下载。 下载完成后如下图: 1.安装Anaconda安装包 1.打开安装包,点击Next 2.点击I Agre

m0_37957160的博客 3802

RK-RK3572-Android16- 编译打包优化-OTA整包-差分包打包

这里主要记录一下 RK3572 在Android16 上面进行OTA升级的整包和差分包制作经验的一个分享,整理知识点,方便后续自己和其它同事开发提高工作效率、直接使用。不管哪一个平台,MTK 也好、RK也好 基本上都是不同Android版本各个子系统之间还是有一点点区别的,所以有必要记录整理知识点,方便提高开发效率、生产效率。针对OTA升级问题 ,再一次说明还是要看官方提供的文档,按照文档来。

十年饮冰,难凉热血 213

HFSS实战项目——高带外抑制特性SIW带通滤波器

本文对单级滤波器和双级滤波器的设计、工作原理及仿真结果进行了详细分析,并验证了双级SIW带通滤波器在性能方面的优越性,为微波通信系统中滤波器的设计和应用提供了重要参考。

2401_87464239的博客 1816

安卓APK下载后安装全流程:从点击下载到第一次启动,每一步的检查点

这套流程听起来繁琐,但真正需要每次都做的只有来源核对和签名校验两步,其他都是出问题时才查。养成习惯之后,能挡掉绝大多数"装了垃圾包""装完闪退"的情况。如果要省事,直接用这类会标注包名、版本号和校验信息的站点,比在搜索结果里挨个试要稳得多。

qq362196705的专栏 193

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")

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

BUUCTF-菜刀流量-MISC-学习笔记

从 1970-01-01 00:00:00 UTC 起算的秒数,——Wireshark 直接告诉你它回答的是谁;由表可知道,96帧返回了flag.rar。, 代表删除键,先删了4次,又删了1次。所以密码是:SuperMaster。解析128帧的响应,即133帧。所以这是一个标准抓包文件,用。解压压缩包拿到html代码。:选中 128 帧,展开。:128 和 131 的。能把一问一答放在一起看;是八进制(Oct)的数字。(或 TCP 层)看到。对比一下ASCii 码表。

晓梦林的博客 84

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Android Laya 与 Native Bridge:页面识别、双向通信、协议设计和崩溃定位

Laya 与 Native 通信的难点不在于某个或的写法,而在于边界:页面来源是否可信、协议是否明确、线程是否正确、请求是否幂等、页面是否仍然存在、日志是否能关联一次完整请求。建立这些边界后,才能把“页面白屏”“按钮无响应”“重复消息”和“Native 崩溃”拆成可验证的层次,并沿着真实调用链找到根因。

路在脚下,幸福在手中,莫贪!!!!! 168

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

Android 音频 Player 体系

Android 音频框架中,"Player"是统一抽象的音频播放实例,涵盖 AudioTrack、MediaPlayer 等。每个 Player 由唯一 piid 标识,通过 PlayerBase 注册至 PlaybackActivityMonitor,状态机管理其生命周期(idle→started→stopped→released)。关键事件如 portId 绑定、静音(位掩码标识主静音、音量为0等)、设备切换等均通过 PLAYER_UPDATE_* 通知系统。静音原因以掩码形式记录,日志中“source

aningxiaoxixi的博客 164

Harness篇|DeepSeek Harness 上手机:五条安卓移植路线与 App 内 Linux 拆解

DSH 官方没出安卓版,火的全是社区第三方移植。本文拆解真实卡点(glibc vs Bionic)、两种「App 内 Linux」的实现(PRoot 与 seccomp 容器),以及「真沙箱」的三层边界与衡量标准。

AI_Gump的博客 379

字段获取代码(Android) · Android Input Examples

服务对象可由实际owner缓存,但不因此缓存它返回的号码、运营商或信号。信号与电话网络接口各有权限和设备能力条件,不支持的设备可抛出 UnsupportedOperationException,服务对象非 null 不代表所有电话能力均可用。语言文本还有独立的条件缓存,非null命中时不重读资源或校验格式,地区没有这份文本缓存。slotIndex是逻辑卡槽编号,不能直接传订阅ID,也不替代请求的默认卡读取。是示例自定义的偏好文件名,键名由调用方定义,不是 WhatsApp 的存储文件名或通用字段读取接口。

小乖写代码 199

Android 开发入门实践(九):把新闻数据与页面状态交给 ViewModel

本文记录第110—117课学习成果:将页面标题、新闻列表及选中编号逐步迁移至NewsViewModel,通过ViewModelProvider获取实例并读取数据。页面调用ViewModel方法处理选择与返回,实现状态管理解耦。过程中纠正了对Activity重建机制的误解,并厘清mutableStateOf的可观察性与ViewModel对象生命周期的区别,深化了对Compose状态更新机制的理解。

Easyhood的博客 226

谷歌相机9.2下载(GCam 安卓通用版 安装与使用说明)

谷歌相机9.2版移植自Pixel原生相机,支持Camera2 API的Android 10+设备安装,凭借多帧合成技术在夜景、HDR+与人像模式表现优异。可提升暗光画质、优化动态范围与背景虚化效果,支持视频防抖及配置文件自定义。安装需确认机型兼容性,建议备份原相机,避免冲突。资源可通过kuake链接获取,仅限学习测试使用。

2611_96675819的博客 225

Android仿写苹果缩放窗口

接到需求要求仿照苹果交互效果,在新底部弹框从底部弹出后,原有的界面进行缩放,爱彼迎APP的筛选弹框也是如此。这种交互在近几年的移动端产品中越来越常见。它的核心思路并不复杂:当底部弹框(Bottom Sheet)向上滑出时,被它遮挡的主界面并不是静止不动的,而是同步做一次轻微的缩小,同时配合圆角、阴影和背景变暗,形成一种“弹框浮在上层、主界面退到后层”的空间层次感。用户一眼就能看出当前操作的是弹框,而主界面只是暂时被压到下面,关闭弹框后又会平滑地恢复原状。

大道至简,无欲则刚,无为则无所不为。 520

Android 开发入门实践(十):用 Kotlin 协程完成模拟加载、取消与异常处理

本文记录第118—125课对NewsApp的协程改造:从viewModelScope.launch启动协程,逐步加入delay模拟等待、suspend函数封装、withContext(Dispatchers.IO)切换线程并观察上下文恢复机制。通过日志验证withContext完成后恢复原执行上下文(非自动回主线程),纠正了初始理解偏差。引入Job管理任务,实现加载取消与重复点击防护,结合异常处理与状态管理,完成可观察、可中断的异步流程。

Easyhood的博客 421

工业智能体:从Codex/Claude到项目实战~系列文章11:Codex 批量重构老系统:激活历史 DCS/PLC 存量代码

本期提出规模化重构工业老系统(如DCS/PLC代码)的可执行方法论:通过AST静态分析量化风险,按“盘点评估→样板重构→批量迁移→回归灰度”四阶段推进;利用Codex实现模块级批量重构,并以“金标准样本”确保数值一致性;接入CI流水线实现自动化守护。强调“小步改、保语义、可回滚”,结合绞杀者模式渐进替代,实现存量代码的安全激活。来自华北理工大学段一凡的博客文章

段一凡的博客 405

Android 开发入门实践(十六):网络新闻请求、Coil 图片加载与失败重试

本文通过接入JSONPlaceholder网络接口,实现新闻数据的远程获取与解析。在Repository中使用withContext(Dispatchers.IO)进行协程挂起请求,通过JSONObject解析title、body、id字段并构建News对象。结合ViewModel与StateFlow更新页面状态,利用AsyncImage加载图片,并添加失败提示与手动重试机制。完整覆盖从网络请求、数据转换到界面更新的全流程,深化对协程调度、状态管理与图片加载的理解。

Easyhood的博客 188

Android 网络与实时通信实践:请求、上传、WebSocket、RTM 与断网调试

网络与实时通信的稳定性来自状态和边界:HTTP 成功不等于业务成功,上传完成不等于业务确认,WebSocket 连接成功不等于消息送达,客户端不重复显示也不等于服务端只执行一次。只有明确认证、协议、顺序、幂等、取消和生命周期,才能在真实项目中安全地重试、恢复和定位问题。

路在脚下,幸福在手中,莫贪!!!!! 163
上一篇: 安卓开机时间优化,就认这2招
下一篇: 安卓开机性能优化:如何安全高效地裁剪 SystemService
千里马学框架
博客等级 码龄6年 1万+粉丝 651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