android你可能要用到的自定义View分享

android自定义View绘制天气温度曲线 转载请注明出处:http://blog.youkuaiyun.com/kaku2013/article/details/50091387大家好,不久前写了个绘制天气温度曲线功能的demo今天抽空来和大家分享一下。效果图如下:一般绘制图表,可以直接使用类库来实现,类似的类库还是很多的。例如:hellocharts-android WilliamChart MPAndroidChart 上述类库功能很多,可以 阅读详情

Indicator View

0x00 main

进步、创新都是在不断变化的需求中诞生的。
-- By ttdevs

这不,新的需求又来了。废话不多说,先上设计稿:

boohee design

简单分析上图包括三部分:最上面的类Progressbar,中间两个指示盘和最下面的指示盘。第一个类Progressbar我们项目之前有实现过,但是和这个需求有一些差异,因此决定重新实现一遍。另外两个圆形指示盘本想通过在一张背景图片上放一张指针图,控制指针图的旋转来实现,但是考虑到这样不够灵活,因此也决定自己来画。So,我们接下来实现这三个View。

正式开始之前,先看看我们最终效果图(当然,指针是可以动的):

Indicator view

0x01 分析

  • LineIndicator (第一个,类Progressbar)

    主要包括三部分:左侧的提示和内容,右侧的提示和内容,中间的类Progressbar。两侧的文字比较容易处理,掌握了文字的基本绘制,画起来是很容易的。中间的类Progressbar由于打算自己画,所以不会直接贴个Progressbar在上面。我的思路是画一条长的直线作为背景,中间的指示也是直线,比背景直线粗,直线的Paint设置 StrokeCap 为 Paint.Cap.ROUND 即 paint.setStrokeCap(Paint.Cap.ROUND);,这样就可以有两头半圆的效果;中间的指示数字直接画在粗的指示直线上面即可。这里可能遇到的问题有下面两个:

    • StrokeCap 设置 为 Paint.Cap.ROUND时的位置关系

      StrokeCap 设置 为 Paint.Cap.ROUND,直线两侧的半圆是不算在直线的长度里的。简单来说,如果view的长度和我画的直线长度一致,那么这个直线就是矩形而不是期待的两侧都是半圆的椭圆。

    • 当进度为0或者为100%时的展示

      如果我们背景直线和指示直线起点终点位置一致,那么最终效果就是当进度为0或者100%的时候,指示直线是显示不全的,因此我们需要对这两个位置进行矫正。我的矫正方法比较简单,在0~x和y~100%进度的时候分别显示x和y(本以为自己的思路很屌,后来发现别人也是这么干的)。

  • CircleIndicator (中间的多种颜色环)

    这个View我将其分解为四部分,从上层到下层:中间指针,刻度环,显示的内容,圆环背景和外层指示文字。每一部分再做分解:

    • 中间指针

      这个又分解为六个部分:最下层大圆,两个圆形半圆,两个三角形和上层小圆。

    • 刻度环

      由于是圆环,所以必须画弧线了。但是这个弧线又有点特殊,两侧带圆角,中间圆环直角,这个没想到啥好办法,用了很一般的思路:先用 Paint.Cap.ROUND 画两侧的弧,然后 Paint.Style.STROKE 画中间的部分。

    • 显示的内容

      这个就比较简单了,主要在于计算文字的显示位置。

    • 圆环背景和外层文字

      最简单的一个圆,加一个以圆为路径画的文字。

    最后我们画的顺序正好与上面所述顺序相反。

  • ProgressIndicator (最下面的两种颜色环)

    这个相较 CircleIndicator 就简单了一些。在画圆环的时候,我们只需要先画一个灰色背景,然后再画一个绿色圆弧即可。

0x02 实现

View的绘制我们应该都比较熟悉,主要有下面三个过程: onMeasure(测量)、onLayout(布局)、onDraw(绘制)。针对上述三个View:LineIndicator,我们根据实际的内容来计算View的高度,宽度用户设定;CircleIndicator和ProgressIndicator的宽度用户设定,高度自定计算与宽度相同。onLayout我们不需要。最后的根据实际的展示内容来绘制。

另外,由于CircleIndicator和ProgressIndicator和相似度高,很多代码可以拿来重用,因此,我写了一个基类来完成公共的部分,特殊部分每个 子类自己完成。最后再子类地onDraw方法中按照顺序调用即可。

由于主要是计算各种坐标位置,代码还是不少的,这里就不贴代码。最后的实现请移步我的 github。三个View的代码已经整理完LineIndicator,其它的两个还需要点时间(2016-06-19)。

0x03 知识点

  • 自定义View的思路

    • 创建类,继承自View或者ViewGroup或者其它ViewGroup
    • 定义View的可配置参数,如果你需要的话
    • 实现View的具体逻辑

    这个太粗略了,各位可以参考具体源码。

  • 文字位置的计算

    如果你没有自己画过文字,那你肯定不可能一下子明白文字的画法,或多或少的出现偏移。这里直接给大家推荐一篇讲的非常详细的文章:http://blog.youkuaiyun.com/aigestudio/article/details/41447349

  • 位置、半径、弧长等的计算

    这里会涉及到简单的三角函数和圆的周长弧度的计算,可能要说的就是三角函数的参数是弧度制度。

  • ObjectAnimator

    /**
     * 设置内容的颜色值(非resource的id)
     *
     * @param contentColor 内容的颜色值
     * @param unitColor    单位的颜色值
     */
    public void setContentColor(int contentColor, int unitColor) {
        mContentColor = contentColor;
        mUnitColor = unitColor;
    }
    
    /**
     * 设置进度
     *
     * @param indicator 进度值
     */
    public void setIndicator(float indicator) {
        if (indicator <= mStartIndicator) {
            mIndicator = mStartIndicator;
        } else if (indicator > mEndIndicator) {
            mIndicator = mEndIndicator;
        } else {
            mIndicator = indicator;
        }
        postInvalidate();
    }
    
    /**
     * 获取进度
     *
     * @return 当前进度值
     */
    public float getIndicator() {
        return mStartIndicator;
    }
    
    public void animateIndicator(float indicator) {
        Interpolator interpolator = new AnticipateOvershootInterpolator(1.8f);
        ObjectAnimator animation = ObjectAnimator.ofFloat(this, "indicator", indicator);
        animation.setDuration(2000);
        animation.setInterpolator(interpolator);
        animation.start();
    }
  • 处理屏幕的旋转

    由于时间比较紧,这个我还没做。主要在View的以下两个方法中实现:

    
@Override
    protected Parcelable onSaveInstanceState() {
        return super.onSaveInstanceState();
    }
    
    @Override
    protected void onRestoreInstanceState(Parcelable state) {
        super.onRestoreInstanceState(state);
    }
    

最后欢迎各位吐槽并提供更好的建议~~

简单说说Android自定义view学习推荐的方式 这几天比较受关注,挺开心的,嘿嘿。 这里给大家总结一下学习自定义view的一些技巧。 1.首先 去看看鸿洋神的博客 Android 自定义view(1). 鸿洋神的入门教程讲的很详细。再次膜拜。 然后我这里对上面博客补充一些内容,那就是MeasureSpec相关的一些东西,这些东西我在《圆形百分比》这篇博客里提到过。 ---------------------------- 阅读详情

相关推荐

Android 中自定义分享样式弹窗

开发过程中有很多弹窗需求,比如分享时弹窗,如下: 这其中就需要定义弹窗样式,位置等属性,要实现上述效果,可以通过两种比较常见的方式实现 1. 自定义dialog view 指定相关属性 2. 用dialog activity 去实现 上面实现的效果都会一样,总的来说就是要 一、自定义好view  二、控制弹出的位置 下面用dialog自定义的方式实现: (1)定义view 的x

Beyond0525的专栏 1万+

Android分享功能的实现

Android中分享功能的实现

曲折旅程,艰难人生 2889

android自定义view之卡片式轮播图

前言 Android View体系是界面编程的核心,他的重要性不亚于Android四大组件。能够熟练的编写符合需求自定义VIEW是一个android程序员进阶的重要标志,在很多的企业招聘中都会在任职需求中提到熟练于创建自定义view这项技能,可见能够随心所欲的编写自定义view的重要性。 准备工作 要开启自定义VIEW编写,需要学习的东西有很多,我会在后面一一介绍,但是我不会每一

baidu_34934230的博客 4877

Android 把view转换为图片并分享

在开发的过程中有时会碰到这样的需求,把一个界面截屏或者把某一个View转化为图片分享出去,类似一些阅读类软件,分享文字时,会弹出一个popwindow,然后把一些文字信息,用户信息等显示在一个view上,然后分享,如下图: 实现过程:1.弹出popwindow 2.显示要分享的View 3.把View转化为图片并保存本地 4.分享出去 主要说一下吧View转化为图片: 1....

wshpwangshiyu的专栏 1232

安卓自定义view之打造滚动的通知栏

闲谈: 这段时间一直忙着做毕业设计,没什么时间写blog,但是秉着分享的原则,还是要和小伙伴们分享所学的东西,如果可以的话,也希望我的博客能够帮助到需要的人。(打个广告吧,有兴趣的同学可以加一下我的安卓QQ群279031247,一起讨论安卓开发遇到的问题)。 前言: 最近在开发一个app的时候,有个滚动通知栏的需求,自己花了一点时间去实现了一下,唯一可惜的事情就是自己没有多少时间做成

SmartIceberg的博客 1725

Android 合并生成分享图片(View截图)

查看博客 http://blog.youkuaiyun.com/shallcheek/article/details/46998643 http://blog.youkuaiyun.com/shallcheek/article/details/44303197

Android截屏分享之View生成图片进行保存分享、全屏,半屏、指定VIew、弹窗.......

Android屏幕截取、弹窗截取、视图截取案例

weixin_43148719的博客 1858

新手小白入门编程第2讲 JAVA编程环境搭建 JDK与环境变量、Eclipse

1 JDK 1.1 JDK概述 JDK是 Java 语言的软件开发工具包,主要用于移动设备、嵌入式设备上的java应用程序。 JDK是整个java开发的核心,它包含了: JAVA开发工具(jdk\bin) 基础开发库(jdk\jre\lib\rt.jar) 基础开发库的源码(jdk\src.zip) 1.2 JDK下载与安装 本次使用的是JDK1.8,详细安装步骤可以参见”JDK培优安装手册”. 注意事项: 同时安装多个JDK时需要使用执行环境变量来确认使用的是哪个jdk 安装时选择默认选项安装到默认

程序媛泡泡的博客 4万+

Android自定义View分享——仿网易云音乐留声机效果

写在前面 这是笔者自学习自定义View以来,分享的第六篇效果,之前写过一篇打钩小动画,有兴趣的可以看看: Android自定义View分享——打钩动画 之前的博客笔者一般都会说,这是不太复杂但是“长得”还可以的效果,这次的分享也长得挺好看的,但是不敢说“不太复杂”。虽然没有用到很高级的API(这篇分享还是以canvas的各个API调用为主),但是在涉及到计算的地方,确实是有些复杂(繁琐)。让

Kingfar Ou 4796

【算法】—前缀和与差分详解

前缀和指一个数组的某下标之前的所有数组元素的和(即数列的前n项求和),前缀和是一种重要的预处理,能够降低算法的时间复杂度,可以快速地求出某一段的和,对于处理区间之间的问题是往往十分高效相比较其他算法而言,前缀和更像是一种解题的技巧,一种优化方式输入一个长度为 n 的整数序列。接下来再输入 m 个询问,每个询问输入一对 l,r 对于每个询问,输出原序列中从第 l 个数到第 r 个数的和5 32 1 3 6 41 21 32 4123453610。

DAY I 的成长之路 6025

基于计算机视觉的Windows自动化工具openclaw-win:从原理到实战

计算机视觉与自动化技术正深刻改变人机交互方式,其核心在于让机器具备“感知-决策-执行”的能力。通过图像采集与处理算法,程序可以识别屏幕上的特定元素;结合模拟输入技术,便能自动执行点击、拖拽等操作,形成完整的自动化闭环。这一技术栈在软件测试、数据采集、重复性办公任务等领域具有重要价值,能够显著提升工作效率。开源项目openclaw-win正是这一理念的工程实践,它整合了图像识别与模拟操作模块,为开发者提供了一个研究自动化技术的具体样本。项目涉及模板匹配、坐标计算等关键技术点,并需处理屏幕适配、操作延迟等实际问

weixin_28745975的博客 335

Android你可能要用到的自定义View分享

进步、创新都是在不断变化的需求中诞生的。—By ttdevs 本文是我司一位同事「ttdevs」的一篇博客,他是我司的一位高级 Android 工...

stormzhang的专栏 364

网络工程师教程第6版(2024年最新版)

本书 根据《网络工程师考试大纲》(2024年审定通过)编写,对网络工程师岗位所要求的主要知 识及应用技术进行了阐述。本书主要内容包括数据通信、局域网、无线通信网、网络互连、网络安全、网络操作系统与应用服务器、组网技术、网络管理、网络规划和设计。本书是参加网络工程师考试的必备教材,也可作为网络工程从业人员学习网络技术的教材或日常工作的参考用书。王涛和严体华编写了第2章、第3章和第4章;网络工程师教程(第6版)由清华大学出版社出版,由工业和信息化部教育与考试中心组编,张永刚、王涛、高振江任主编,具体介绍如下。

鹿鸣天涯 6914

重学Android:自定义View基础(一)

作为一名安卓开发,也被称为大前端,做一个美观的界面,是我们必备的基础技能,可能在开发中我们最常用的是系统自带的View,因为他能满足绝大部分需求,难一点的我们也可以上Github上找个三方库使用,少数情况下会让我们进行自定义View,当然这不代表着我们可以不去掌握其原理,因为它是通往中高级程序员的必经之路,也是大厂面试的热门知识,只有熟练掌握其核心原理,才能让我们在后续的开发中游刃有余。

WriteBug001的博客 1293

Android15音频进阶之音效配置与解析(一百三十一)

本篇目的:Android15音频进阶之音效配置与解析。

Android系统攻城狮 2147

YOLOv11目标检测模型性能评价指标详解,涉及混淆矩阵、F1-Score、IoU、mAP、参数量、计算量等,一文打尽所有评价指标

本文主要讲解的是计算机视觉网络模型的性能评价指标,这是每一篇论文中都需要展示的内容。熟悉每一个评价指标也能够帮助我们在训练和改进模型过程中,更好的观察模型的变化效果。

Limiiiing的博客 8414

Android中如何优雅地自定义一个View

Android中自定义View的实现比较简单,无非就是继承父类,然后重载方法,即便如此,在实际编码中难免会遇到一些坑,我把自己遇到的一些问题和解决方法总结一下,希望对广大码友们有所帮助。 用xml定义Layout时,Root element 最好使用merge 当我们需要继承一个布局比较复杂的ViewGroup(比较多的是LinearLayout、RelativeLayout)时,通常会用xml

老梁的专栏 1万+

4、基于球面波展开的近场/远场变换技术解析

本文深入解析了基于球面波展开的近场/远场变换技术,涵盖坐标系统选择、截断测量处理、高级SWE方法及实际应用场景。重点介绍了广义SWE、全探头补偿、平移SNF测量(TSWE)等关键技术,结合吸收材料与导电地板系统的误差处理方案,系统总结了各类方法的优缺点与适用场景,并通过流程图和案例分析展示了技术应用路径。该技术在汽车、通信和航空航天领域的天线测量中具有重要价值,可显著提升测量效率与精度。

dell8的博客 258

Android自定义View面试总结

自定义view,是在Android中非常重要的知识点,也是面试官喜欢考察的面试题。 很多人面试之前,可能没有在互联网公司工作过或者说工作过但年头较短,不知道互联网公司技术面试关于自定义view都会问哪些问题,再加上可能自己准备也不充分,去面试没几个回合就被面试官几个问题打蒙了,最后以惨淡收场。 那么面试官关于自定义View通常都喜欢问那些问题呢?下述是我整理的Android View知识点以及常见面试题汇总: 自定义View基础 View的分类 View类简介 AttributeSet与自定义属性 V.

Android23333的博客 3626

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

Android 自定义View

说到自定义Veiw,网上有很多但是不全,今天我就来和你们分享一下有那些自定义Veiw,在了解之前我希望你能了解View的事件分发和工作流程,推荐几篇文章给你们看看 View事件分发 View工作原理 目录 共同点 继承系统控件的自定义Veiw 继承View的自定义View 自定义组合控件(一般是多个控件的组合,继承布局) 自定义ViewGroup 真实总结 1.共同点 嘿嘿,不知道了吧。共同...

齐码闯天涯 403

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Android 自定义View手写签名

Android 自定义View:手写签名 最近项目中有个新的需求,就是要实现用户手写签名,然后展示再上传到服务器。看到效果图后,先是面对百度编程搜了一下,很多实现方法,主要就是自定义View实现的,为了记录其中的坑,并提升自己的自定义View的能力,还是写出来记录一下。 主要代码如下(用的Kotlin写的): import android.content.Context import ...

yuan7016的博客 2192

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Android 自定义 View 最少必要知识

自定义属性的声明与获取//1.1 在 xml 中自定义 View 属性CircleView//1.2 在 View 构造函数中获取自定义 View 属性重写测量阶段相关方法(onMeasure())@Override//2.1 根据 View 特点或业务需求计算出 View 的尺寸//2.2 通过 resolveSize() 方法修正结果。

2401_83817171的博客 981

android后台通过View生成分享图片

这是摘要

qq_23343197的博客 1083

2024年安卓最新自定义View,是Android程序员的分水岭,也是变身大佬的重要一环,大学生android开发项目实例

希望本文对你有所启发,有任何面试上的建议也欢迎留言分享给大家。好了,今天的分享就到这里,如果你对在面试中遇到的问题,或者刚毕业及工作几年迷茫不知道该如何准备面试并突破现状提升自己,对于自己的未来还不够了解不知道给如何规划,来看看同行们都是如何突破现状,怎么学习的,来吸收他们的面试以及工作经验完善自己的之后的面试计划及职业规划。好了~如果你看到了这里,觉得文章写得不错就给个赞呗?如果你觉得那里值得改进的,请给我留言。一定会认真查询,修正不足。

2301_82243828的博客 1103

Android自定义组合View简单示例

在res/values文件夹下找到attrs.xml,如果没有attrs.xml,右键values -> new -> Values Resource File,命名attrs即可,在attrs.xml文件中添加 declare-styleable// CustomViewGroup这个名字和第二步新建的view名字一致的// 你可以加其他属性都可以,format支持很多类型的,比如color,drawable等你可以自己看一看。

2401_83703893的博客 1010
上一篇: Python中的Thread Local
下一篇: 微信公众号开发流程
ttdevs
博客等级 码龄15年 388粉丝 91原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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