关于Google Android,第一印象

本文介绍了作者初次接触Google推出的Android平台的感受,包括其界面特点、技术亮点如Dalvik虚拟机,以及通过“移植”概念进行创新的想法。
[url=http://code.google.com/android/]Android - An Open Handset Alliance Project[/url]
[url=http://code.google.com/android/download.html]Download the SDK[/url]

Well? Google的移动Java平台...
之前在[url=http://atelibet.s11.xrea.com/side_yuu/]Yuu[/url]的blog上看[url=http://atelibet.s11.xrea.com/side_yuu/res.html]留言板[/url]时留意到了Android计划的相关消息。当时看到的是这么一段:
[quote][color=pink]http://gigazine.net/index.php?/news/comments/20071113_android_sdk/ 師匠いっちょ頑張ってちょちょいと賞金とっっちゃってください… ソフトはExtractDataの移植かデバックソフトでも作れば余裕かと…[/color]
賞金SUGEEEEEEEEE! しかし携帯のOSか。携帯でExtractDataなんか動かせてもなぁ、うーん。それにしても応募手順の2番目に吹いたw ものすごいアプリケーション
www[/quote]
嗯,最初就看到这么段文字,完全没在意里面是什么。
后来在优快云上读到了稍微详细些的报道。在[url=http://news.youkuaiyun.com/n/20071114/110655.html]国际:Android初体验,哪门语言最受益(图文)[/url]
于是在报道里看到了那模拟器所展现出来的界面……(对不起,要無断链接些图了)
[img]http://images.youkuaiyun.com/20071114/20071114120358.jpg[/img]
这造型……啧啧。远远称不上“帅气”。确实跟有些评论说的一样,样子像计算器一般。不过像[url=http://www.blackberry.com/]Blackberry[/url]之类的手机也就这种造型,应该说没什么值得惊讶的(?)
Blackberry Pearl的一张图:
[img]http://cache.gizmodo.com/assets/resources/2006/10/blackberry_8800_gammaray.gif[/img]

不过当时也就粗略瞄了下,没仔细看。唯一让我感到“有趣”的是Google也要在虚拟机这块参上一脚,开发自己的JVM——Dalvik。说真的,抛弃了原本Java规范里的API的话,大半个Java就已经没了……Dalvik所支持的,到底是什么呢?留待后续观察。
至于那千万美元应用开发大赛计划我兴趣不太大;Google有更让我感兴趣的活动,例如说[url=http://code.google.com/soc/]Google Summer of Code (SoC)[/url],要是明年这个时候能参与Mono的开发就好了。

不过昨晚回到宿舍之后,同寝室的一同学热情高涨的跟我讨论起Android的话题,说他对这个计划很感兴趣。于是聊了会。他昨天已经下了SDK来把玩,看了写demo,然后说很帅。然后讨论了些创意啊之类的。
我个人的看法是,Google这么多年来最主要的一些产品都是以“移植”为基本理念的。<= 这个纯主观,我对Google的了解也不多。
说“移植”,有些什么呢?随便找些例子看看:
Google Search <= 这个不算是移植。网页搜索本身的概念在Google出现前就有好几个别的公司在做了。记得我96、97还是以用Yahoo为主。不过这是Google起家的东西,不能不提。
Google Desktop Search <= 前一个不算移植,不过这个就算了。把高速搜索的概念搬到桌面上,这吸引力相当大。像Unix/linux、Windows等虽然都有内建的搜索功能,不过一般都不怎么快。这移植有趣就有趣在性能上。
Google Map <= 这东西出来前离线的电子地图软件其实也不少。但这个移植相当成功。不但推动了网上电子地图的发展,还掀起了Ajax风潮。没它的话现在JavaScript的流行程度肯定没现在这么高吧。
Google Earth <= 有多少人在用GE前用过Microsoft Virtual Earth呢?MS明明是先做出东西来的,推广策略明显是失败了。无论如何,把虚拟地球在网上显示出来的这做法也只能算移植。有NASA照片撑腰确实是个卖点。
Google Docs <= 在线版的office suite。记得在Google Spreadsheets出来之前,我还用过另外一个在线spreadsheet软件的……哎呀,名字忘记了,不过也是当时很前沿的Ajax应用。
Google Desktop Gadgets <= Mac用户可能对gadget性质的东西更了解吧。嘛,后来Microsoft也推出了Sidebar+Gadgets。
Google Talk <= 什么都能搬到网上,当然IM也不例外。
Google Pinyin <= 不不,这不是Google的主要产品。源于当时一位Google实习生的实习项目,曾因不小心用了搜狗的词库而闹过笑话。也罢,我现在就在用这玩意,还是挺不错的。

这里说的“移植”并没有半点贬义。这是创新的思路之一:把原本在一个领域的东西应用到另一领域上并获得成功。
室友提到了他觉得有趣的一个演示:把短信像IM工具一般显示出来,看上去就像用手机聊天一般。听的时候我还没看那演示,不过这描述只让我想到一个东西:GTalk。既然能把IM移植到Web上,为什么不能也放到手机上呢?在这之前,国内的用户已经可以使用移动QQ和移动版MSN/Live之类,不过如果短信本身也能以类似IM的方式来组织的话确实也挺有趣的。
在这次千万美元应用开发大赛中,也应该能看到许多属于“移植”性质的应用吧。很是期待都能移植些什么东西上去。

于是刚才把Android SDK + Eclipse plugin抓了下来。可惜明天要考试,现在没什么时间去好好把玩下这个模拟器。随便新建了个Android Application项目,Eclipse会自动生成一个hello world app。按Run运行程序,模拟器启动,提示是否反馈数据给Google,那就选反馈吧。Android启动后,会自动运行自己写的项目。但是一旦按了后退键或者home键,再想启动自己写的项目就怎么都找不到了……在Dev Tools那边确实是能找到自己项目的package,不过启动不了 T T

====================================================

Anyway,对Android的兴趣还不是很大,不准备投入多少精力去跟踪它。到时候看看Dalvik有没有什么值得学习借鉴的地方好了。Until then...
内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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
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