墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.2w累计阅读
1.2w+平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
两台手机做dailog弹窗高度自定义时发现始终适配不了，经测试发现 getResources().getDisplayMetrics().heightPixels获取到的屏幕高度不对。
正确的获取姿势是
DisplayMetrics dm = new DisplayMetrics(); mContext.getWindowManager().getDefaultDisplay().getRealMetrics(dm); int dwidth = dm.widthPixels; int dheight = dm.heightPixels
工业自动化中气动夹爪选型、调试与维护全流程实战解析
在工业自动化领域，气动执行元件是实现精准抓取与搬运的基础。其工作原理是通过压缩空气驱动气缸，转化为直线或旋转运动，从而控制夹爪的开合。这类技术因其结构简单、响应快速、成本低廉及维护方便，在自动化产线中具有极高的技术价值，是实现高效、可靠物料搬运的核心单元。其典型应用场景涵盖电子装配、汽车制造、食品包装等行业的上下料、分拣与定位工序。本文以工业自动化中常见的二指平行气动夹爪（常被工程师代号化为“Gripper-A”）为例，深入剖析其从硬件选型、气动系统集成到程序逻辑联锁的完整工程实践。内容聚焦于夹持力计算中惯
Android获取屏幕高度的坑
安卓手机想要获取屏幕高度，有以下几个方法： 第一个我们先不讲，因为实测和后面2、4基本一样，况且网上说的少用的也少一开始我用的是方法4（因为他看起来最简单），发现在一些全面屏手机上高度会少了十几个像素，在普通手机上是准确的。 后来发现主要是虚拟按键的问题，会将虚拟按键的高度忽略掉。点击去看到他的说明是问题就在这个available上了。同理，还有方法，在Android4.4之后会隐藏掉状态栏的高度，注释里还写了一大堆，像来自Activity的请求在多窗口模式下会小于物理高度（这又是另一个坑了）正在上传…
RAD Studio 12安装全攻略：从下载到破解InterBase的完整流程（附KeyPatch使用技巧）
本文提供RAD Studio 12的完整安装指南，包括系统要求、安装步骤及InterBase数据库的高效配置方法。详细介绍了如何使用KeyPatch工具进行许可证处理，并分享了IDE优化和开发技巧，帮助开发者快速上手这一强大的跨平台开发工具。
Android修改context.getResources().getDisplayMetrics()对应多分辨率风险点
通过修改DisplayMetrics的值，可能会导致应用程序的布局发生变化，从而影响到应用程序的用户体验。的值来适配不同分辨率的设备，但是需要注意风险点，确保修改后的应用程序在各种设备上都能够正常运行，并尽量避免对系统默认的DisplayMetrics进行修改。通过修改DisplayMetrics的值，可能会导致应用程序的性能问题。的值来适配不同分辨率的设备，但是这种做法并不推荐修改系统默认的DisplayMetrics，因为这可能会影响到整个应用程序的显示效果，并且可能会影响到其他应用程序的显示效果。
MatLab：数字图像处理实验
图像处理基本处理实验目的实验环境实验内容题目一代码结果题目二平移平移代码平移结果水平镜像水平镜像代码水平镜像结果垂直镜像垂直镜像代码垂直镜像结果放大放大代码放大结果缩小缩小代码缩小结果旋转旋转代码旋转结果双线性旋转旋转代码旋转结果 实验目的 1、熟悉并掌握MATLAB工具的使用； 2、实现图像的读取、显示、存储、平移、镜像、放大、缩小及旋转操作； 3、掌握常用的插值方法，并了解其优缺点。 实验环境 MatLab2016 实验内容 题目一 读入一幅RGB图像，变换为灰度图像和二值图像，并在同一个窗口内分别显
使用OpenCV进行3D重建：详细指南
3D重建是计算机视觉领域的一项关键技术，它能够从二维图像中恢复出场景的三维结构。这项技术在机器人视觉、增强现实和3D建模等多个领域都有广泛的应用。在本篇技术博客中，我们将详细介绍如何使用OpenCV这一流行的计算机视觉库来实现3D重建。我们将逐步探讨整个过程，包括相机标定、特征点提取与匹配、立体校正、深度图计算以及最终的三维重建。3D重建是一个复杂的过程，涉及多个步骤和多种算法。OpenCV提供了强大的工具来支持这一过程，从相机标定到特征点提取与匹配，再到立体校正和深度图计算，最后实现三维重建。
屏幕适配的笔记
1.density工具类开发中常用到的 package com.example.test_android; import android.content.Context; public class DensityUtil { /** * 根据手机的分辨率从 dp 的单位 转成为 px(像素) */ public static int dip2px(
【仿真】Carla Python API实战：从零搭建自动驾驶测试环境
本文详细介绍了如何使用Carla Python API从零搭建自动驾驶测试环境。通过Carla仿真平台，开发者可以构建高度逼真的城市环境和车辆物理模型，利用Python API实现传感器配置、数据采集、场景构建及自动驾驶算法集成。文章还分享了实际项目中的调试技巧和性能优化经验，帮助读者快速掌握自动驾驶仿真测试的核心技术。
Android屏幕密度的深刻理解
Android中有一个类：DisplayMetrics，官方文档在此：https://developer.android.google.cn/reference/android/util/DisplayMetrics?hl=en DisplayMetrics类描述有关显示器的一般信息的结构，例如其大小，密度和字体缩放。 DisplayMetrics实例对象的获取方式：context.getResources().getDisplayMetrics(); 属性并不多，对于屏幕密度官方描述不够详细，所以这里记录
超声波雾化驱动设计：专用芯片FM8118替代MCU的工程实践
超声波雾化是一种基于压电陶瓷谐振原理的高频能量转换技术，其核心在于在1.6–2.4MHz频段精准激励雾化片以实现高效水分子破碎。传统采用通用MCU配合分立MOSFET的方案受限于PWM频率上限、栅极驱动能力不足及EMI控制困难，导致雾化效率低、温升高、可靠性差。专用雾化芯片（如FM8118）通过集成2.1MHz振荡器、零电压开关（ZVS）控制与过流/过热双重保护，从架构层面解决高频功率驱动的本质约束，显著提升驱动效率（达83.7%）与系统鲁棒性。该技术广泛适用于桌面加湿器、医疗雾化器、农业微喷等对体积、功耗
YOLOv11改进策略【损失函数篇】| Shape-IoU：考虑边界框形状和尺度的更精确度量
本文记录的是改进YOLOv11的损失函数，将其替换成Shape-IoU。现有边界框回归方法通常考虑与之间的几何关系，通过边界框的相对位置和形状计算损失，但忽略了边界框本身的形状和尺度等固有属性对边界框回归的影响。为了弥补现有研究的不足，Shape-IoU提出了一种关注边界框本身形状和尺度的边界框回归方法。
android 获取屏幕的宽和高
屏幕高度：context.getResources().getDisplayMetrics().heightPixels 屏幕宽度：context.getResources().getDisplayMetrics().widthPixels 转载于:https://www.cnblogs.com/zhaoleigege/p/4988631.html...
手把手教你学PCIE--PCIe架构详解 - 物理层结构
在前一篇文章中，我们对PCIe与其他总线协议进行了对比分析。本文将深入探讨PCIe的物理层结构，这是PCIe协议的核心组成部分之一。物理层负责实际的电气信号传输，理解其工作原理对于设计和调试PCIe系统至关重要。PCIe的物理层是协议栈的最底层，负责将数据从链路层转换为电信号进行传输，并在接收端将电信号还原为数据。差分信号传输：通过一对差分信号线实现高速、低噪声的数据传输。时钟恢复：从数据流中提取时钟信号以同步收发双方。均衡与预加重：补偿信号在传输过程中的损耗，提高链路可靠性。
android获取屏幕宽高的两种方法
方法一： DisplayMetrics dm = new DisplayMetrics(); this.getWindowManager().getDefaultDisplay().getMetrics(dm); DEVICE_WIDTH = dm.widthPixels; DEVICE_HEIGHT = dm.heightPixels; 方法二：
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');```[](https://bitdeli.com/free "Bitdeli Badge")
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
android 屏幕分辨率获取,Android获取屏幕分辨率的三种方法
一、在activity中1、DisplayMetrics dm = getResources().getDisplayMetrics();int screenWidth = dm.widthPixels;int screenHeight = dm.heightPixels;2、DisplayMetrics dm = new DisplayMetrics();this.getWindowManage...
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
AndroidStudio获得屏幕分辨率
DisplayMetrics dm = getResources().getDisplayMetrics(); int displayWidth = dm.widthPixels; int displayHeight = dm.heightPixels;
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
Android获取屏幕尺寸
[code="java"] DisplayMetrics packageMetrics = getResources().getDisplayMetrics(); int windowWidth = packageMetrics.widthPixels; int windowHeight = packageMetrics.heightPix...
Android得到状态栏和标题栏的高度
// 得到屏幕的宽 displayMetrics = getResources().getDisplayMetrics(); screenWidth = displayMetrics.widthPixels; // 得到标题栏和状态栏的高度 Rect rect = new Rect(); Window window = getWindow(); mI
【Android】实现获取当前的activity的宽高代码
【代码】【Android】实现获取当前的activity的宽高代码。
Android 开发 DisplayMetrics获取Android设备的屏幕高宽与其他信息
前言 获取Android设备的宽度与高度是一个在Android开发上经常需要处理的事情。我们在相机开发、全屏对话框、个别View的屏幕适配经常需要使用到。但是获取屏幕高度与宽度也有很多方法与不同的结果。下面会一一总结这些方法一结果。 获取屏幕宽度 可用显示尺寸的绝对宽度(以像素为单位)，请注意，在一些平板设备上可能存在侧边导航栏，那么这个尺寸可能会排除掉这个侧边导航栏的宽度 pri...
取得屏幕的宽高的问题
这个本来是个很简单的问题getResources().getDisplayMetrics().widthPixels和getResources().getDisplayMetrics().heightPixels，以及分布密度getResources().getDisplayMe
Android屏幕适配很麻烦吗？不！太简单了。。。
转载请作明出处：https://www.jianshu.com/p/4254ea9d1b27 前言 作为一个Android开发人员，你还在为了适配各种尺寸的屏幕而苦恼吗？你还在为了出现一个新的机型而修改着数不尽的dimens和layout吗？你还在为了UI给的奇葩尺寸的设计图而绞尽奶汁计算距离吗？如果你为了这些事情而苦恼，那么看完这篇文章，希望可以帮你减少开发时间，减缓生命的流逝速度...
Android屏幕适配：从基础原理到高级实践
屏幕适配是移动开发中的基础技术挑战，其核心在于实现UI元素在不同设备上的物理尺寸一致性。通过密度无关像素(dp)的数学换算机制，开发者可以建立与设备像素密度无关的布局体系。现代Android开发中，ConstraintLayout的百分比约束和资源限定符策略构成了适配方案的技术支柱，这些方法能有效应对从智能手表到折叠屏的设备碎片化问题。在工程实践中，结合今日头条适配方案等创新思路，可以解决多屏幕比例下的布局保持问题。特别是在折叠屏设备和多窗口模式下，需要动态响应屏幕尺寸变化，这要求开发者深入理解Displa
Android开发中的一点小问题（8-16）
问题1，获取屏幕寛高： int width = getResources().getDisplayMetrics().widthPixels; int height =getResources().getDisplayMetrics().heightPixels; 问题2，activity中加载和移除Fragment（v4） getSupportFragmentManager().b...
Android琐碎知识点，不断更新中
1.获得屏幕的高度和宽度 width=context,getResources().getDisplayMetrics().widthPixels; height=context.getResources().getDisplayMetrics().heightPixels; 2.在Android Studio中隐藏ActionBar的方法。 getSupportActi
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
365
扫一扫
