流量统计原理,sliding抽屉的使用

本文介绍了流量统计的基本原理,包括用户ID在流量记录中的作用,以及在Android系统中如何通过API获取应用程序的下载和上传流量。此外,还详细讲解了SlidingDrawer组件的使用,包括其必须配置的属性如handle、content,以及如何设置抽屉的方向。

54.流量统计原理

uid:user id 用户id。操作系统分配给应用程序的一个固定的编号。一旦应用程序装到手机上,id就固定不变了。

用户id是自增长的,卸载软件时uid会被回收,再新装软件时,系统会把回收的uid分配给新装的软件。

stat:状态

tcp_rcv:receive 接收 下载

tcp_snd:send 发送 上传


应用程序下载的流量在/proc/uid_stat/uid/tcp_rcv文件中记录
应用程序上传流量在/proc/uid_stat/uid/tcp_snd文件中记录

android2.3之前获得流量需要读取上面的文件,2.3之后Google工程师给我们提供了读取流量的API。


List<ApplicationInfo> infos = pm.getInstalledApplications(0);

for(ApplicationInfo info : infos){

int uid = info.uid;

应用程序下载和上传的流量

long uidRxBytes = TrafficStats.getUidRxBytes(uid);

long uidTxBytes = TrafficStats.getUidTxBytes(uid);

获取手机3g/2g网络上传和下载的总流量

TrafficStats.getMobileTxBytes();
TrafficStats.getMobileRxBytes();
手机全部网络接口 包括wifi,3g、2g上传的总流量
TrafficStats.getTotalTxBytes();
TrafficStats.getTotalRxBytes();

}


55.sliding抽屉的使用

SlidingDrawer与其他控件不同,它有一些必须配置的属性:id、handle、content。handle是把手,content是抽屉里包含的内容。定义时,handle和content属性也是以@+id/name的形式定义的。该控件必须包含子孩子:把手和抽屉把手可以是布局文件,但抽屉必须是布局文件),他们都是通过@id来表明自己是把手还是抽屉。抽屉里的内容写在布局文件中。抽屉的方向默认是竖直的,从下往上拉的,若要改为从右向左拉,改方向为水平方向即可。如下:

<SlidingDrawer
    android:id="@+id/sd_show"
    android:layout_width="fill_parent"
    android:layout_height="wrap_content"
    android:content="@+id/my_content"
    android:handle="@+id/my_handle"
    android:orientation="horizontal" >

    <ImageView
        android:id="@id/my_handle"
        android:layout_width="20dp"
        android:layout_height="20dp"
        android:src="@drawable/ic_launcher" />

    <LinearLayout
        android:id="@id/my_content"
        android:layout_width="fill_parent"
        android:layout_height="wrap_content"
        android:background="#22000000" >

        <TextView
            android:layout_width="fill_parent"
            android:layout_height="wrap_content"
            android:text="我是抽屉里的内容" />
    </LinearLayout>
</SlidingDrawer>
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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