深度:微软对Sun的步步紧逼催生了JavaFX

Sun发布的JavaFX引起了业界的广泛关注。这款新产品旨在简化Java图形界面应用开发,并能在JavaME平台上运行。业内人士对其评价褒贬不一,部分认为JavaFX是Sun应对RIA发展的重要举措。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在旧金山召开的JavaOne会议上,Sun首次公开了Java家族的新产品JavaFX。之后国内外各大媒体就开始竞相报道,也采访了国内的一些Java技术方面的专家,大家针对这一产品的褒贬不一。

打开参与JavaFX产品研发的Sun的工程师Chris Oliver的blog,看到大家的留言,有相当激动感慨这样一个伟大的产品,是Java的里程碑并愿意马上投身其中的也有冷言冷语称对Sun的产品已经 失去信心这次也并不看好的,而媒体对James Gosling的采访似乎也并没有深入探讨,也不能让人很好的理解究竟JavaFX带来了什么,所以针对JavaFX我与国内Java社区中举足轻重的人 物Robin Fan和李琨老师做了一些讨论,希望能从不同的方面理解这一产品。

Robin说他其实并不从事Java图形应用程序的开发,所以是没有使用JavaFX的机会的,但是在Sun推出JavaFX之后他还是第一时间的研究了 一下JavaFX的语法,发现虽然之前Java推出了很多涉及到图形界面设计类的包或者应用程序,比如2D、Swing、GUI等成熟产品,但这次推出的 JavaFX相比较之前的这些确实是简单了很多,而且似乎不需要编译,写好代码保存一下,就可以直接看到结果了。

Sun一向不缺乏功能覆盖性质的产品,对于这次新推出的JavaFX,Sun的说法是他们致力于简化开发过程的努力。Robin却认为是Sun看到了 RIA发展的势头,不愿丢失这一块的市场便迎头赶上,同时利用Sun在全球2亿的Java ME装机用户,因为JavaFx是一种可以运行在Java ME SDK上面的脚本语言,只要安装了Java ME,就可以运行JavaFx。

李琨老师在这点上提出的观点却很值得我们思考,“RIA的出现使得JavaEE被边缘化了。微软通过大力推广他们自己的RIA,锁定服务器端的.NET平 台,巩固并扩大.NET的市场份额。对JavaEE构成了相当大的威胁,Sun对于表现层开发工具一向不擅长,Applet、Swing、Java Web Start,都没有取得决定性的胜利,所以更加的不能缺席RIA领域坐以待毙了。”

“更何况现在J2ME的前景也不是非常乐观,主要原因是这个J2ME平台受到的限制太多,开发比较麻烦。因此正在遭受.NET CF也就是微软的面向移动智能设备的.NET平台.NET Compact Framework的挤压。”

Sun在J2EE和J2ME两大方面已经受到了微软的步步紧逼,RIA技术的发展已经对Sun很不利了。在RIA下的Flash、Flex、 Silverlight、JavaFX几大板块,Robin并不看好任何一款,他更看好Ajax一些,这应该是和孟岩一条战线上的了,孟岩之前谈到他所看 好的广义的Ajax并不是基于JavaScript、XML/JSON的一些编程技巧,而是“Ajax与REST、RSS、ATOM、 Microformats、mashup等技术结合起来,勾画出了下一代Web技术架构的蓝图,这是一个简单的、富客户端的、异步的、面向资源的、全双工 的、初具语义特征的、以标准格式的数据为中心的、服务化的的架构,是一个计算资源分布更合理、用户体验更好、开发更简单、mashup无所不在的、更具可 扩展性的技术架构。”

孟岩认为无论是Flash、SilverLight还是JavaFX它们都是从Ajax推开的这扇门——新一代Web编程模型中走来。

“实际上我比较看好完全基于XAML的WPF,因为从技术本身来说是最先进的。将来的Web表现层开发一定会走到这种方式。Silverlight的UI 技术还是基于DHTML的,所以现在这一两年对于开发者比较有吸引力。”李琨老师这样说道。至于Ajax,只要是有浏览器的时代,它都有着不可轻视的地 位。 
<think>好的,我现在要处理用户关于Android 12中RKNN开发配置和使用教程的问题。首先,我需要回顾用户提供的引用内容,看看是否有相关的信息。 用户提供了三个引用。引用1提到了RKNN Model Zoo和RKNN Toolkit2的环境配置,包括安装Miniconda3。引用2是关于系统镜像下载,特别是Ubuntu 22.04版本和导出ONNX模型。引用3讨论了RV1808/1126使用RKNN作为MediaPipe推理后端的步骤,包括配置参数如use_rga、use_mmap和data_type的设置,以及反量化的处理。 用户的问题集中在Android 12上,所以需要将引用中的信息与Android系统关联起来。引用3提到了MediaPipe和RKNN的集成,这可能适用于Android开发,但需要确认是否支持Android 12。此外,RKNN Toolkit2的环境配置可能在不同平台上有所不同,用户可能需要针对Android进行调整。 接下来,我需要考虑Android开发中RKNN的一般步骤,比如环境准备、模型转换、集成到Android应用、配置参数和性能优化。结合引用中的信息,模型转换部分可以参考引用2提到的导出ONNX模型,然后使用RKNN Toolkit转换为RKNN格式。引用3中的配置参数(如use_rga、use_mmap、data_type)可能在Android中同样适用,但需要查阅相关文档确认。 可能还需要指导用户如何将RKNN库集成到Android项目中,比如添加依赖项或NDK配置。此外,性能优化方面,引用3提到的反量化处理可能需要特别注意,尤其是在Android设备上的实现。 最后,确保回答结构清晰,分步骤说明,并引用提供的资料。需要验证引用中的信息是否适用于Android 12,例如系统镜像是否支持,或者是否有特定版本的要求。如果某些步骤在引用中没有明确说明,可能需要提示用户参考官方文档或社区资源。</think>### Android 12 RKNN 开发配置与使用教程 #### 1. **环境准备** - **系统镜像与工具链**: 根据引用[2],建议使用Ubuntu 22.04作为开发环境,并下载Orange Pi 5 Pro等支持RKNN的硬件镜像。对于Android 12开发,需确保RKNN Toolkit2适配Android NDK版本(推荐NDK 21+)[^2]。 - **安装RKNN Toolkit2**: 参考引用[1],通过Miniconda3配置Python环境(建议Python 3.8),并安装RKNN Toolkit2以支持模型转换与推理。命令示例: ```bash pip install rknn_toolkit2 ``` #### 2. **模型转换(ONNX转RKNN)** - **导出ONNX模型**: 使用PyTorch或TensorFlow等框架导出模型为ONNX格式(引用[2])。 - **转换为RKNN格式**: 编写RKNN配置文件(`config.yml`),指定输入尺寸、量化方式等参数。示例代码: ```python from rknn.api import RKNN rknn = RKNN() rknn.config(target_platform='rk3568', mean_values=[[127.5]], std_values=[[127.5]]) rknn.load_onnx(model="model.onnx") rknn.build(do_quantization=True, dataset="dataset.txt") rknn.export_rknn("model.rknn") ``` #### 3. **Android项目集成** - **添加RKNN库依赖**: 将编译好的RKNN动态库(`librknnrt.so`)和模型文件(`model.rknn`)放入Android项目的`jniLibs`目录。 - **JNI接口开发**: 通过JNI调用RKNN的C/C++ API实现推理。关键配置参考引用[3]: ```cpp #include <rknn/rknn_runtime.h> rknn_context ctx; int ret = rknn_init(&ctx, model_path, 0, 0, nullptr); ret = rknn_inputs_set(ctx, input_num, input_attrs); ret = rknn_run(ctx, nullptr); ret = rknn_outputs_get(ctx, output_num, output_attrs, nullptr); ``` #### 4. **关键配置参数** - **use_rga与use_mmap**: 根据引用[3],若Android设备不支持硬件加速(如RGA),需将`use_rga`和`use_mmap`设为`false`。 - **数据量化类型**: `data_type`可选`uint8`或`fp32`。若选`uint8`,需手动实现反量化;若选`fp32`,RKNN会自动处理[^3]。 #### 5. **性能优化** - **多线程推理**: 利用Android的`ThreadPoolExecutor`并行处理输入数据。 - **内存优化**: 启用`use_mmap`(若支持)减少内存拷贝开销,或通过零拷贝技术直接操作物理内存。 #### 6. **调试与验证** - **日志输出**: 启用RKNN的调试模式(`RKNN_LOG_LEVEL=DEBUG`)查看详细运行信息。 - **性能分析**: 使用`rknn.query(RKNN_QUERY_PERF_DETAIL)`获取各层耗时,针对性优化模型结构。
评论 2
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