Jetpack Compose 中使用一次性事件是一种反模式吗?

什么是一次性事件

在应用中,你可能会使用过 Kotlin Channels 或其他响应式流(例如SharedFlow)向 UI 公开 ViewModel 事件,或者可能你在其他项目中看到过此模式。当生产者(ViewModel)比消费者(Compose UIView)生命周期更长时,这些 API 不能保证这些事件的传递和处理。这可能会给开发人员带来错误和未知的问题,而且对于大多数应用来说这也是不可接受的用户体验。

ViewModel 事件是 UI 应该执行的源自 ViewModel 的操作。例如,向用户显示一个消息,或者在应用程序状态发生变化时导航到不同的页面。

我们对 ViewModel 事件的处理有两种不同的建议方式:

  1. 每当 ViewModel 中发起一次性事件时ViewModel 应立即处理该事件,从而触发状态更新ViewModel 应该只公开应用的状态。公开尚未从 ViewModel 简化为状态的事件意味着 ViewModel 不是从这些事件派生的状态的真实来源;单向数据流 (UDF) 描述了仅向比生产者生命周期更长的消费者发送事件的优点。
  2. 状态应使用可观察的数据类型进行公开

案例分析

下面是在应用程序的典型支付流程中实现 ViewModel 的示例。在下面的代码片段中,当支付请求结果返回时,MakePaymentViewModel直接告诉 UI 导航到支付结果页面。我们将使用此示例来探讨为什么处理此类一次性 ViewModel 事件会带来问题和更高的工程成本。

class MakePaymentViewModel(...) : ViewModel() {
   

    val uiState: StateFlow<MakePaymentUiState> = /* ... */

    // ⚠️⚠️ DO NOT DO THIS!! ⚠️⚠️
    // This one-off ViewModel event hasn't been handled nor reduced to state
    // Boolean represents whether or not the payment was successful
    private val _navigateToPaymentResultScreen = Channel<Boolean>()

    // `receiveAsFlow` makes sure only one collector will process each
    // navigation event to avoid multiple back stack entries
    val navigateToPaymentResultScreen = _navigateToPaymentResultScreen.receiveAsFlow()

    // Protecting makePayment from concurrent callers
    // If a payment is in progress, don't trigger it again
    private var makePaymentJob: Job? = null

    fun makePayment() {
   
        if (makePaymentJob != null) return
        
        makePaymentJob = viewModelScope.launch {
   
            try {
   
                _uiState.update {
    it.
资源下载链接为: https://pan.quark.cn/s/ab08c24cda4d 本项目基于 PyTorch 实现了 CSRNet(卷积稀疏表示网络)人群计数模型。CSRNet 是一种高效且精准的人群密度估计方法,尤其适合高密度场景下的人群计数。该模型借助卷积神经网络(CNN)的特性,利用稀疏表示来应对复杂背景和密集人群的挑战。以下将详细介绍 CSRNet 的核心概念、结构及实现过程,并阐述人群计数的重要性。 人群计数在公共场所安全监控、交通管理和大型活动组织等领域极为关键。准确估计人群数量有助于保障安全和优化管理。传统计数方法如人工计数或基于规则的方法效率低且易出错而,深度学习技术的引入,尤其是 CSRNet 这类模型,显著提高了计数的准确性和效率。 CSRNet 的核心在于其深度卷积网络结构和稀疏表示能力。该模型通过多尺度特征提取,适应不同大小的人头。其架构包含多个卷积层,每层后接 Leaky ReLU 激活函数,增强非线性表达能力。此外,CSRNet 引入了空洞卷积(也称 atrous convolution),可在不增加参数数量的情况下扩大感受野,更高效地捕捉大范围信息。具体架构包括:输入层接收预处理后的图像;基础网络通常使用预训练的 VGG16 提取多层次特征;多尺度特征融合通过不同扩张率的空洞卷积获得不同分辨率的特征图;解码器利用反卷积操作将低分辨率特征图恢复至原始尺寸,结合多尺度信息重建上下文;稀疏表示层是 CSRNet 的独特之处,通过稀疏编码和解码,将高维特征转换为低维稀疏表示,降低背景噪声影响,提升人头检测精度;输出层通过 1×1 卷积将特征图转化为人群密度图,再经全局平均池化和全连接层得到最终计数结果。 在实现过程中,需注意以下几点:数据预处理,如缩放、归一化、增强等,以提升模型泛化能力;训练策略,包括数据集划分、学习率调度、损失函数选择(如
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

打赏作者

川峰

你的鼓励将是我创作的最大动力

¥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
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