Hello 屏幕适配

一、Android中dpi,dp,dip,px.sp等各种单位详解

屏幕尺寸:(inch)手机屏幕对角线的长度,单位是英寸,1英寸=2.54厘米。

屏幕分辨率:(px  1px=1个像素点 )屏幕分辨率指的是屏幕横纵方向的像素点的数量,一般以纵向像素*横向像素,比如1920*1080。

屏幕像素密度:(dpi)每英寸上的像素点,像素密度与屏幕尺寸和屏幕分辨率有关

一部手机的分辨率是宽x高,屏幕大小是以寸为单位,那么三者的关系是:

假如分辨率是1920*1080         屏幕的尺寸是:5.0  dip=(√1920*1920+1080*1080)/5.0 =445    √代表开根号

px:构成图像的最小单位

dp,dip:density independent pixels的缩写,即密度无关像素,以160dpi为基准,1dip=1px

谷歌为我们提供的标准:

1:分辨率是120*240,像素密度是120dpi           1dip=1dp=0.75px      0.75倍图             图片可以放在mipmap—ldpi下

2:分辨率是320*480,像素密度是160dpi           1dip=1dp=1px          1倍图                   图片可以放在mipmap—hdpi下

3:分辨率是480*800,像素密度是240dpi           1dip=1dp=1.5px       1.5倍图                图片可以放在mipmap—mdpi下

4:分辨率是720*1080,像素密度是320dpi         1dip=1dp=2px          2倍图                   图片可以放在mipmap—xhdpi下

5:分辨率是1080*1920,像素密度是480dpi       1dip=1dp=3px          3倍图                   图片可以放在mipmap—xxhdpi下

sp:可以根据文字大小首选项进行放缩,Google推荐尽量使用12sp以上的单位,不然可能会让用户看不清楚,推荐使用12sp,14sp,18sp,22sp,尽量不要使用奇数和小数,因为放缩的时候可能造成精度丢失

 

屏幕适配的目的:让app在不同的屏幕上展示相同的效果,谷歌提供了dp适配,由于android厂商生产屏幕碎片化严重,dp适配无法满足我们的需求,所以需要进行屏幕适配

 

二、基础适配

  1. 布局适配:尽量使用线性,禁止使用绝对、尽量使用match-parent,wrap-content
  2. 套图适配:针对不同手机,进行不同的套图适配,完美适配,app臃肿,不易实现

三、屏幕适配框架AutoLayout

原理:就是把你不想做的px和dp换算过程交给这个轮子来计算(原理这东西都是简单的跟一加一等于三一样)

目的:拿到UI设计图,在处理对应的布局文件时,之间按照UI效果图上标注的px尺寸写进xml文件中,通过Autolayout自动达到多屏幕的适配

用法:

1、引入架包:一种下载Autolayout的开源库,或者在gradle中

dependencies {

compile project(':autolayout')

}

其代码结构如下:

 

自动适配了FrameLayout、LinearLayout、RelativeLayout等常用容器。

在你的项目的AndroidManifest中注明你的设计稿的尺寸。

 

2、对应的Antivity继承AutoLayoutActivity,就ok了

如果继承AutoLayoutActivity来使用,那么你就得像Google的百分比库一样,去用AutoXXXLayout代替系统原有的XXXLayout。当然,你可以放心的是,所有的系统属性原有的属性都会支持,不过根布局上就不支持px的自动百分比化了,但是一般根布局都是MATCH_PARENT,而上述的方式,根布局也是可以直接px的百分比化的。

3、需要注意:

对于listview中getview中的view,因为没有继承AutoLayoutActivity,所以没有办法自动进行适配,所以可以借助其:AutoUtils.autoSize(convertView);方法,来完成适配。

而且目前已经停止维护了

最详细的讲解:http://blog.youkuaiyun.com/lmj623565791/article/details/49990941

 

四、今日头条提供的低成本的屏幕适配

定义基准宽度,根据手机宽分辨率动态改变屏幕密度,达到适配效果

今日头条的特别提供https://mp.weixin.qq.com/s/d9QCoBP6kV9VSWvVldVVwA

 

五、其他

百分比布局:以某一分辨率为基准,生成所有分辨率对应像素数列表

最小宽度:最小宽度是不考虑横屏或竖屏的,也就是说最小宽度是设备屏幕四条边里最短的那两条边。如果需要考虑横竖屏那么可以加入屏幕方向限定符(最小宽度为sw,其他自己查),通过得到最小宽度

 

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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