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
700+累计阅读
725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
1、当布局压要随时发生变化的时候，要用代码进行控制
LayoutInflater inflater = (LayoutInflater) context.getSystemService(Context.LAYOUT_INFLATER_SERVICE);
ViewGroup homeGvItemLayout = (ViewGroup)inflater.inflate(R.layout.home_gv_item, null);
获取到layout对象之后，可以进行类似以下操作
TextView textView = (TextView)homeGvItemLayout.findViewById(R.id.home_gv_item_tv);代码动态设置view或布局的宽高
有时我们需要在应用中动态改变图片或某一块布局的大小。这就不能用XML文件写成固定值，而需要在java代码中动态设置。 网上有一些教程使用relativeView.setLayoutParams(new RelativeLayout.LayoutParams(100,200));的方法，可是发现这样设置很容易抛错； 因此有人指出不能直接新建一个LayoutParams的同时设置宽高值，需要先实例化一个对象，再进行具体参数的设置，然后再设置； 然而这时候你一定要注意强制类型转换时的LayoutParams类型，因为android中存在3种LayoutParams，即RelativeLayout.LayoutParams、LinearLayout.LayoutParams、ViewGroup.LayoutParams，那么我们改用哪一个呢？ 这要看你要操作的view在布局文件中的父控件是什么类型的，若父控件是RelativeLayout则需要强制转换为RelativeLayout.LayoutParams，其它类型依次类推。
Android5种布局类型(1)，五步搞定Android开发环境部署
一线互联网Android面试题含详解（初级到高级专题）这些题目是今年群友去腾讯、百度、小米、乐视、美团、58、猎豹、360、新浪、搜狐等一线互联网公司面试被问到的题目。并且大多数都整理了答案，熟悉这些知识点会大大增加通过前两轮技术面试的几率如果设置门槛，很多开发者朋友会因此错过这套高级架构资料，错过提升成为架构师的可能。这就失去了我们的初衷；让更多人都能通过高效高质量的学习，提升自己的技术和格局，升职加薪。最后送给大家一句话，望共勉，永远不要放弃自己的梦想和追求；
VLA-JEPA：具身智能中潜空间世界模型的工程落地实践
世界模型是具身智能实现环境理解与因果推演的核心基础，其本质是在状态空间中建模‘动作→结果’的动力学规律。传统基于像素或文本的世界模型因高维、非平稳、弱语义等缺陷，在真实机器人场景中鲁棒性差、部署成本高。JEPA（联合嵌入预测架构）通过构建物理约束的潜空间，将视觉-语言-动作（VLA）信号统一编码为低维、可微、可解释的状态表征，显著提升模型对抖动、遮挡、光照突变等干扰的适应能力，并支持实时闭环控制。该范式已在UR5e、Franka等多构型机械臂及Jetson边缘平台完成实测验证，成为VLA系统从实验室走向产线
Android开发之ConstraintLayout代码动态控制约束布局-已踩坑(跟Compose的约束布局基本一个套路)
需求如上图我需要手动点击按钮改变文字的位置，在约束布局中唯一快速想到的我就是动态设置。兄弟们上面的坑我已经踩完了，都已注释，具体可以看注释，在此非常感谢二位大佬无私分享。
基于Kubernetes的ML平台架构设计
本文在Kubernetes开源组件的基础上，对ML平台各部分组件的作用进行了介绍，并且进行了组件选型，初步设计了ML平台的技术架构。
SAP财务模块必看：BAPI_ACC_DOCUMENT_POST扩展字段全攻略（含FIBF配置）
本文详细解析了SAP财务模块中如何利用BAPI_ACC_DOCUMENT_POST的EXTENSION1参数扩展自定义字段。文章从需求分析入手，对比了传统增强与BTE（业务交易事件）两种技术路径，并重点提供了基于FIBF配置的完整实战指南，包括数据结构理解、函数模块开发及配置步骤，帮助ABAP开发者和财务顾问高效、可维护地实现如WBS元素、税务代码等字段的灵活传递。
Android动态布局之 ConstraintLayout(通过代码参数控制子View的布局)
Android动态布局之Constraintlayout基本介绍及其使用方法和代码Demo.(所谓的动态布局就是以代码的形式，可以实时动态的改变子View，而不是以xml的形式去实现)
HTPA 32x32d热成像传感器数据读取与校准全流程解析
本文详细解析了HTPA 32x32d热成像传感器的数据读取与校准全流程。从寄存器配置、原始数据采集，到核心的五大校准步骤（包括热量、电子偏移、电压、灵敏度补偿及温度转换），并涵盖像素重组、坏点修复及图像后处理，为开发者替代或升级MLX90640提供了完整、实用的操作指南。
【Android】31.布局的使用及用代码控制布局
31.布局的使用及用代码控制布局 1.下载素材。 关注公众号，免费获取源码，如有提供源码会有说明。 2.布局的使用思路。 线性布局（LinearLayout，layout_weight控制占用空间） 相对布局（RelativeLayout，基于父控件或当前控件对齐） 帧布局（FrameLayout，会发生覆盖） 3.用代码控制布局。 public class MainActivity ext...
CARLA 0.9.15从零开始：环境搭建与基础场景实战指南
本文是CARLA 0.9.15从零开始的完整环境搭建与基础运行教程。详细介绍了在Linux系统下配置Python环境、下载安装CARLA核心软件包、启动服务器以及运行第一个基础场景的步骤。重点演示了如何通过Python客户端脚本生成随机车流，并手动控制EGO车辆在仿真城市中行驶，为自动驾驶算法开发构建了坚实的仿真测试基础。
【ESP32 S3 开发】基于I2S协议驱动INMP441数字麦克风 实现语音采集
注意INMP441的 L/R接地之后才稳定输出数据 否则一直都是0WAV格式说明这里主要是想说wav文件重要的就是生成一个wavhead来标识它是一个wave文件，wave文件的data chunk 中的data部分还是PCM编码格式的数据，直接从I2S读进去就可以，不需要压缩。wav文件的头一般由4个chunk组成。 以16bit深度为例，代码如下。其他深度可以根据注释自行计算。 I2S -> DAC i2s_read()函数，向flash中划分的一个buff当中读入byte数组。以16bit深度为例，一
Android studio APP开发 控制UI布局的方式，用代码书写UI界面，代码和XML混合控制UI布局
控制UI布局的方式 UI界面就是APP的界面，Android提供4种方法控制UI界面，这里主要讲两种。 代码控制UI界面 直接在Activity中用代码设置UI界面的组件以及组件的点击事件。 步骤一： 首先注意，如果要完全用代码手写一个UI界面，需将Activity中的下面这行代码删掉，不删会有影响。 setContentView(R.layout.activity_main); 也就是说Act...
在Ansys Simplorer中设计三相逆变器，并与Maxwell FEA耦合，实现160kW PMSM
在这篇博文中，我们将探讨如何使用设计三相逆变器，并将其与Ansys Maxwell中的电磁有限元分析模型耦合，以获得准确的系统级结果。Ansys Electronics为多域仿真提供了强大的生态系统，可实现跨各种物理领域的无缝集成。Maxwell用于电磁有限元分析 （FEA），Simplorer（Twin Builder） 用于系统级逆变器和控制器设计，Icepak用于电子热仿真。例如，我们将使用 Simplorer 介绍160 kW、8 极永磁同步电机 （PMSM）的逆变器设计过程。让我们开始吧！
Android 基本布局(3)用代码控制布局与布局参数
RelativeLayout,相对布局 一个控件可以相对于父容器定位,也可以相对于兄弟控件定位.
模型实战（16）之StrongSort （OSNET）配合YOLOv5、v7、v8 实现多目标跟踪详解
StrongSort （OSNET）配合YOLOv5、v7、v8 实现多目标跟踪详解
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
android 不使用布局文件，完全由代码控制布局实例
前言 我们先来看一下实现效果： 实现 MainActivity.java package cn.sehzh.tester; import android.app.Activity; import android.graphics.Color; import android.os.Bundle; import android.view.Display; import android
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
Android语言基础教程（37）Android用户界面设计之控制UI界面：Android UI代码魔法：从布局地狱到控制狂天堂
兄弟们，今天咱们聊聊Android UI控制这门艺术！别再对着XML发呆了，掌握代码控制UI才是真本事。本文将带你从基础View的创建，到高级自定义ViewGroup，再到事件处理的魔法世界，附赠完整登录界面示例，让你彻底告别布局地狱，成为真正的UI控制大师！
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")
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
Android学习笔记 第2章 Android应用的界面编程 2.1 界面编程与视图(View)组件 2.1.4 使用XML布局文件和代码混合控制UI界面
Android学习笔记 第2章 Android应用的界面编程 2.1 界面编程与视图(View)组件 2.1.4 使用XML布局文件和代码混合控制UI界面
android 用代码完全实现xml布局的控制
有的时候我们必须用代码来控制布局，最常见的就是长和宽，其实用代码控制可以做到xml代码控制不了的目的。看如下代码。 View view=((Activity)context).getLayoutInflater().inflate(R.layout.vehicle_select_layout,null); TextView postionTextView=(TextView) view.fi
浅谈安卓UI设计
用户界面在程序开发中十分重要，一个好的用户界面设计需要考虑到用户使用体验、是否美观方便等。 在界面设计的过程中，需要考虑如何制作出UI界面，怎么样控制UI界面两大块。 这里先放上之前我们UI作业的截图： 本文主要介绍通过两种方式来进行界面设计： 1、通过xml文件进行界面设计 2、通过代码控制进行界面设计 一、...
android设置布局滑动,代码中修改layout_scrollFlags的值，动态控制CoordinatorLayout布局是否整体滑动...
问题及需求描述需求，实现列表折叠悬浮效果；布局：android:id="@+id/m_coordinator_layout"android:layout_width="match_parent"android:layout_height="match_parent"android:background="@color/white">android:id="@+id/m_app_bar_lay...
安卓编程 之 线性布局
摘要：本文介绍了Android线性布局的两个关键属性：orientation（方向）和layout_weight（权重）。通过代码示例展示了水平排列的三个TextView控件，分别设置权重为1、2、3，将水平空间按比例分配为1:2:3。同时演示了layout_gravity属性控制控件在容器中的位置（底部/居中/顶部）。代码中详细注释了各属性的作用，包括宽高设置、文本样式、内外边距等。该示例直观呈现了权重分配原理和重力定位效果。
Android笔记:代码编写布局控制显示位置
自定义布局蒙层和标题按钮位置代码控制移动位置 而不是一张图 final RelativeLayout private_desc_back = new RelativeLayout(mContext); private_desc_back.setLayoutParams(new FrameLayout.LayoutParams(LayoutParams.MAT
安卓动态控制RelativeLayout的组件
安卓动态控制RelativeLayout的组件的位置以及控件的动态生成
android 入门笔迹（1）
环境搭建JDK，JRE，Android SDK，ADT，Eclipse，安卓模拟器AVD xml控制UI界面 Java代码控制UI界面 XML与Java混合控制UI界面 UI：userinterface 四种布局管理器 线性布局（LinearLayout） 表格布局（TableLayout） 帧布局（FrameLayout） 相对布局（RelativeLayout）。 ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1031
扫一扫
