精华内容
下载资源
问答
  • 2020_12-电路理论框架复习思考-基础篇 电路理论究竟在学些什么?我认为本质上,是线性拓扑结构,KCL,KVL和V-I关系,于是,在电阻电路部分,有它的拓扑结构带来的各种性质和运算方式,包括结点方程,网孔方程等,...

    2020_12-电路理论框架复习思考-基础篇

    电路理论究竟在学些什么?我认为本质上,是线性拓扑结构,KCL,KVL和V-I关系,于是,在电阻电路部分,有它的拓扑结构带来的各种性质和运算方式,包括结点方程,网孔方程等,包括叠加定理,戴维南诺顿,特勒根,互易等等等等,都是线性性带来的解方程的手段。好,那么通过这些手段,我们就得到了一堆线性方程,那么解这些方程,可以使用线性代数的手法来解。

    可是很多元件不是线性的,或者说大部分元件不是线性的,怎么办?这就是电路理论要解决的东西。

    比如面对LC,那我们的电路定理就不再适用了,只能用电路分析方程(本质上来源于KCLKVL)来列出含导数,含积分的方程,于是可以直接用微分方程求解,这运用了微积分的知识。我们人为的把这种情况分成了一阶电路暂态分析和二阶电路暂态分析,也就是说,我们只管其中简单的情况,一阶和二阶,如果是直流激励,那么最终稳定下来。看,我们把问题又简化到了直流激励。在这种情况下,我们就有了三要素法(对于一阶直流激励尤其好用,我觉得对二阶的不太好用,二阶的得到微分方程后用Laplace更舒服),用来简化电路运算

    当不是直流激励的时候,三要素法又不能再用了。但是,LC的V-I关系刚好是微分积分关系,当面对的是一个正弦函数的时候,微积分关系就变成了相位关系,而原来的电压电流振幅比是不变的,又考虑到可以用复数来表示正弦函数,于是乎产生了一个新的方法——向量法,而对应的电阻电容电感都可以写成复数的形式,但是这些元件的复数形式是没有对应的相关正余弦函数的,它们,是这些正余弦函数的比值形式。这时候就产生了正弦稳态分析,人们就发明了一种方法来对付正弦稳态电路。为了扩展它,我们考虑叠加定理,就可以叠加多个分别运算了。而位形相量图的产生,本身就是向量法对于结点/网孔方程分析的一项另类应用罢了。

    在没用向量法的时候,功率一般都是靠电压直接乘电流计算得到的,很轻松,但是,在向量法里面功率怎么求呢?用U对应的向量*I对应的向量吗?显然不对,我们可以设想到,功率其实应该是U对应的向量点乘I对应的向量,得到UIcos∠φu-φi,那么又想,UIsin∠φu-φi是什么呢?发现是波动着的平均虚功功率Q,是L/C上的一种表征其储能功率,于是乎,用UI∠φu-φi来表示复功率,UI表示视载功率。视载功率是电路/器件能够承载的最大功率,所以我们希望P=S,这样能全部压榨这个电路/器件

    好,接下来引入新元件?现象?反正叫磁耦合的东西,它本质上就是磁场叠加,从同名端流进的电流会引起另外一边磁场增加,明白这一点后就不怕分析同名端等问题了,而磁耦合中的等效,本质上来说就是将方程进行变形而同化得到,只要明白推导原理,记忆也十分容易了。

    现在来说说刚刚没说的三相正弦稳态电路,为何现在来说?因为它是实际运用的一些思考,放在最后。三相正弦稳态电路其实可以视为普通电路,单纯求解就好,但是我们考虑到它对称性,单取一路即可求解,三相正弦稳态电路本质不难,运算量也小,只是处于考核的目的会有两种,三相四线制/三相三相制对称和三相三线不对称,前者取单路,用对称Y-Δ就行,后者用结点法直接计算就行。总之不建议用不对称Y-Δ变换,难算,不如结点法好用。注意线量和相量之间关系就行。

    电路理论基础篇就写完了,是不是其实本质上来说内容不多^^ Ganbadei!

    展开全文
  • Python(TensorFlow框架)实现手写数字识别系统

    万次阅读 多人点赞 2019-07-31 11:27:55
    本文使用Tensorflow框架进行Python编程实现基于卷积神经网络的手写数字识别算法,并将其封装在一个GUI界面中,最终,设计并实现了一个手写数字识别系统。

    手写数字识别算法的设计与实现

    本文使用python基于TensorFlow设计手写数字识别算法,并编程实现GUI界面,构建手写数字识别系统。这是本人的本科毕业论文课题,当然,这个也是机器学习的基本问题。本博文不会以论文的形式展现,而是以编程实战完成机器学习项目的角度去描述。


    项目要求:本文主要解决的问题是手写数字识别,最终要完成一个识别系统。

    设计识别率高的算法,实现快速识别的系统。

    1 LeNet-5模型的介绍

    本文实现手写数字识别,使用的是卷积神经网络,建模思想来自LeNet-5,如下图所示:
    在这里插入图片描述
    这是原始的应用于手写数字识别的网络,我认为这也是最简单的深度网络。

    LeNet-5不包括输入,一共7层,较低层由卷积层和最大池化层交替构成,更高层则是全连接和高斯连接。

    LeNet-5的输入与BP神经网路的不一样。这里假设图像是黑白的,那么LeNet-5的输入是一个32*32的二维矩阵。同时,输入与下一层并不是全连接的,而是进行稀疏连接。本层每个神经元的输入来自于前一层神经元的局部区域(5×5),卷积核对原始图像卷积的结果加上相应的阈值,得出的结果再经过激活函数处理,输出即形成卷积层(C层)。卷积层中的每个特征映射都各自共享权重和阈值,这样能大大减少训练开销。降采样层(S层)为减少数据量同时保存有用信息,进行亚抽样。

    第一个卷积层(C1层)由6个特征映射构成,每个特征映射是一个28×28的神经元阵列,其中每个神经元负责从5×5的区域通过卷积滤波器提取局部特征。一般情况下,滤波器数量越多,就会得出越多的特征映射,反映越多的原始图像的特征。本层训练参数共6×(5×5+1)=156个,每个像素点都是由上层5×5=25个像素点和1个阈值连接计算所得,共28×28×156=122304个连接。

    S2层是对应上述6个特征映射的降采样层(pooling层)。pooling层的实现方法有两种,分别是max-pooling和mean-pooling,LeNet-5采用的是mean-pooling,即取n×n区域内像素的均值。C1通过2×2的窗口区域像素求均值再加上本层的阈值,然后经过激活函数的处理,得到S2层。pooling的实现,在保存图片信息的基础上,减少了权重参数,降低了计算成本,还能控制过拟合。本层学习参数共有1*6+6=12个,S2中的每个像素都与C1层中的2×2个像素和1个阈值相连,共6×(2×2+1)×14×14=5880个连接。

    S2层和C3层的连接比较复杂。C3卷积层是由16个大小为10×10的特征映射组成的,当中的每个特征映射与S2层的若干个特征映射的局部感受野(大小为5×5)相连。其中,前6个特征映射与S2层连续3个特征映射相连,后面接着的6个映射与S2层的连续的4个特征映射相连,然后的3个特征映射与S2层不连续的4个特征映射相连,最后一个映射与S2层的所有特征映射相连。此处卷积核大小为5×5,所以学习参数共有6×(3×5×5+1)+9×(4×5×5+1)+1×(6×5×5+1)=1516个参数。而图像大小为28×28,因此共有151600个连接。

    S4层是对C3层进行的降采样,与S2同理,学习参数有16×1+16=32个,同时共有16×(2×2+1)×5×5=2000个连接。

    C5层是由120个大小为1×1的特征映射组成的卷积层,而且S4层与C5层是全连接的,因此学习参数总个数为120×(16×25+1)=48120个。

    F6是与C5全连接的84个神经元,所以共有84×(120+1)=10164个学习参数。

    卷积神经网络通过通过稀疏连接和共享权重和阈值,大大减少了计算的开销,同时,pooling的实现,一定程度上减少了过拟合问题的出现,非常适合用于图像的处理和识别。

    2 手写数字识别算法模型的构建

    2.1 各层设计

    有了第一节的基础知识,在这基础上,进行完善和改进。

    输入层设计

    输入为28×28的矩阵,而不是向量。

    激活函数的选取

    Sigmoid函数具有光滑性、鲁棒性和其导数可用自身表示的优点,但其运算涉及指数运算,反向传播求误差梯度时,求导又涉及乘除运算,计算量相对较大。同时,针对本文构建的含有两层卷积层和降采样层,由于sgmoid函数自身的特性,在反向传播时,很容易出现梯度消失的情况,从而难以完成网络的训练。因此,本文设计的网络使用ReLU函数作为激活函数。

    ReLU的表达式:
    在这里插入图片描述

    卷积层设计

    本文设计卷积神经网络采取的是离散卷积,卷积步长为1,即水平和垂直方向每次运算完,移动一个像素。卷积核大小为5×5。

    降采样层

    本文降采样层的pooling方式是max-pooling,大小为2×2。

    输出层设计

    输出层设置为10个神经网络节点。数字0~9的目标向量如下表所示:
    在这里插入图片描述

    2.2 网络模型的总体结构

    在这里插入图片描述
    其实,本文网络的构建,参考自TensorFlow的手写数字识别的官方教程的,读者有兴趣也可以详细阅读。

    2.3 编程实现算法

    本文使用Python,调用TensorFlow的api完成手写数字识别的算法。
    注:本文程序运行环境是:Win10,python3.5.2。当然,也可以在Linux下运行,由于TensorFlow对py2和py3兼容得比较好,在Linux下可以在python2.7中运行。

    #!/usr/bin/env python2
    # -*- coding: utf-8 -*-
    """
    Created on Fri Feb 17 19:50:49 2017
    
    @author: Yonghao Huang
    """
    
    #import modules
    import numpy as np
    import matplotlib.pyplot as plt
    import tensorflow as tf
    import time
    from datetime import timedelta
    import math
    from tensorflow.examples.tutorials.mnist import input_data
    
    
    def new_weights(shape):
        return tf.Variable(tf.truncated_normal(shape,stddev=0.05))
    def new_biases(length):
        return tf.Variable(tf.constant(0.1,shape=length))
    def conv2d(x,W):
        return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
    def max_pool_2x2(inputx):
        return tf.nn.max_pool(inputx,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
    
    #import data
    data = input_data.read_data_sets("./data", one_hot=True)  # one_hot means [0 0 1 0 0 0 0 0 0 0] stands for 2
    
    print("Size of:")
    print("--Training-set:\t\t{}".format(len(data.train.labels)))
    print("--Testing-set:\t\t{}".format(len(data.test.labels)))
    print("--Validation-set:\t\t{}".format(len(data.validation.labels)))
    data.test.cls = np.argmax(data.test.labels,axis=1)   # show the real test labels:  [7 2 1 ..., 4 5 6], 10000values
    
    x = tf.placeholder("float",shape=[None,784],name='x')
    x_image = tf.reshape(x,[-1,28,28,1])
    
    y_true = tf.placeholder("float",shape=[None,10],name='y_true')
    y_true_cls = tf.argmax(y_true,dimension=1)
    # Conv 1
    layer_conv1 = {"weights":new_weights([5,5,1,32]),
                   "biases":new_biases([32])}
    h_conv1 = tf.nn.relu(conv2d(x_image,layer_conv1["weights"])+layer_conv1["biases"])
    h_pool1 = max_pool_2x2(h_conv1)
    # Conv 2
    layer_conv2 = {"weights":new_weights([5,5,32,64]),
                   "biases":new_biases([64])}
    h_conv2 = tf.nn.relu(conv2d(h_pool1,layer_conv2["weights"])+layer_conv2["biases"])
    h_pool2 = max_pool_2x2(h_conv2)
    # Full-connected layer 1
    fc1_layer = {"weights":new_weights([7*7*64,1024]),
                "biases":new_biases([1024])}
    h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])
    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,fc1_layer["weights"])+fc1_layer["biases"])
    # Droupout Layer
    keep_prob = tf.placeholder("float")
    h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)
    # Full-connected layer 2
    fc2_layer = {"weights":new_weights([1024,10]),
                 "biases":new_weights([10])}
    # Predicted class
    y_pred = tf.nn.softmax(tf.matmul(h_fc1_drop,fc2_layer["weights"])+fc2_layer["biases"])  # The output is like [0 0 1 0 0 0 0 0 0 0]
    y_pred_cls = tf.argmax(y_pred,dimension=1)  # Show the real predict number like '2'
    # cost function to be optimized
    cross_entropy = -tf.reduce_mean(y_true*tf.log(y_pred))
    optimizer = tf.train.AdamOptimizer(learning_rate=1e-4).minimize(cross_entropy)
    # Performance Measures
    correct_prediction = tf.equal(y_pred_cls,y_true_cls)
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
    with tf.Session() as sess:
        init = tf.global_variables_initializer()
        sess.run(init)
        train_batch_size = 50
        def optimize(num_iterations):
            total_iterations=0
            start_time = time.time()
            for i in range(total_iterations,total_iterations+num_iterations):
                x_batch,y_true_batch = data.train.next_batch(train_batch_size)
                feed_dict_train_op = {x:x_batch,y_true:y_true_batch,keep_prob:0.5}
                feed_dict_train = {x:x_batch,y_true:y_true_batch,keep_prob:1.0}
                sess.run(optimizer,feed_dict=feed_dict_train_op)
                # Print status every 100 iterations.
                if i%100==0:
                    # Calculate the accuracy on the training-set.
                    acc = sess.run(accuracy,feed_dict=feed_dict_train)
                    # Message for printing.
                    msg = "Optimization Iteration:{0:>6}, Training Accuracy: {1:>6.1%}"
                    # Print it.
                    print(msg.format(i+1,acc))
            # Update the total number of iterations performed
            total_iterations += num_iterations
            # Ending time
            end_time = time.time()
            # Difference between start and end_times.
            time_dif = end_time-start_time
            # Print the time-usage
            print("Time usage:"+str(timedelta(seconds=int(round(time_dif)))))
        test_batch_size = 256
        def print_test_accuracy():
            # Number of images in the test-set.
            num_test = len(data.test.images)
            cls_pred = np.zeros(shape=num_test,dtype=np.int)
            i = 0
            while i < num_test:
                # The ending index for the next batch is denoted j.
                j = min(i+test_batch_size,num_test)
                # Get the images from the test-set between index i and j
                images = data.test.images[i:j, :]
                # Get the associated labels
                labels = data.test.labels[i:j, :]
                # Create a feed-dict with these images and labels.
                feed_dict={x:images,y_true:labels,keep_prob:1.0}
                # Calculate the predicted class using Tensorflow.
                cls_pred[i:j] = sess.run(y_pred_cls,feed_dict=feed_dict)
                # Set the start-index for the next batch to the
                # end-index of the current batch
                i = j
            cls_true = data.test.cls
            correct = (cls_true==cls_pred)
            correct_sum = correct.sum()
            acc = float(correct_sum) / num_test
            # Print the accuracy
            msg = "Accuracy on Test-Set: {0:.1%} ({1}/{2})"
            print(msg.format(acc,correct_sum,num_test))
        # Performance after 10000 optimization iterations
        
        
        
    

    运行结果显示:测试集中准确率大概为99.2%。
    我还写了一些辅助函数,可以查看部分识别错误的图片,
    在这里插入图片描述
    还可以查看混淆矩阵,
    在这里插入图片描述

    2.3 实现手写识别系统

    最后,将训练好的参数保存,封装进一个GUI界面中,形成一个手写识别系统。
    在这里插入图片描述
    系统中还添加了一点图像预处理的操作,比如灰度化,图像信息的归一化等,更贴近实际应用。
    系统可进行快速识别,如下图:
    在这里插入图片描述

    3 总结

    本文实现的系统其实是基于卷积神经网络的手写数字识别系统。该系统能快速实现手写数字识别,成功识别率高。缺点:只能正确识别单个数字,图像预处理还不够,没有进行图像分割,读者也可以自行添加,进行完善。

    4 收获

    本人之前的本科期间,虽然努力学习高数、线性代数和概率论,但是没有认真学习过机器学习,本人是2017年才开始系统学习机器学习相关知识,而且本科毕业论文也选择了相关的课题,虽然比较基础,但是认真完成后,有一种学以致用的满足感,同时也激励着我进行更深入的理论学习和实践探讨,与所有读者共勉。

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

    2018年5月13日更新

    以上是基本网络的设计与基本的实现,可满足入门学习。

    相关链接:


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

    2018年6月6日更新更新!!

    python(TensorFlow)实现手写字符识别


    此处的“手写字符”,其实指的是notMNIST数据库中的手写字符,其实和MNIST数据库是一样的。这里实现手写字符识别,主要是展示TensorFlow框架的可拓展性很强,具体来说,就是可以通过改动少部分的代码,从而实现一个新的识别功能。

    NotMnist数据库

    这个数据库和MNIST数据库基本一样,只是把10个数字换成了10个字母,即:A,B,C,D,E,F,G,H,I,J,K
    当然,这个数据库的识别难度大一些,因为数据噪声更多一些,详情读者可以搜一搜了解一下。

    实战

    将NotMNIST数据库下载以后,放在本博文上述的网络中,基本不需要修改代码,直接训练,即可得到一个能识别字符的网络模型。

    最后在测试集中的准确率,比MNIST的会低一些,大概为96%左右。

    本文也将训练好的网络模型封装在和上述系统相似的GUI系统中,

    [外链图片转存失败(img-k7xPyAio-1564543116627)(https://i.imgur.com/59M3NlD.png)]

    识别效果还可以!

    同样,将卷积卷积层可视化。

    [外链图片转存失败(img-tIWWgZB9-1564543116629)(https://i.imgur.com/4awe7NY.png)]

    结语

    TensorFlow框架可拓展性很强,只要设计好了网络,就能很容易的实现出来;同时,使用基本的CNN识别整体架构也是大同小异的,很多识别任务是通用的。当然,在具体的实践中需要得到接近完美的效果,还是要下很大功夫的!努力学习吧,加油!
    (如果你/您有什么有趣的想法,可以在下面留言,如果我也感兴趣同时又有时间的话,我会尝试做一做,_

    展开全文
  • 用PHP写框架框架写应用程序

    千次阅读 2007-10-19 10:06:00
    现在有一个明显的趋势让PHPer必须清醒地认识到自己无论如何被分配在两大阵营中,别无选择:要么是开发框架,要么是开发应用程序。乍看之下会有人骂这个说法是脱裤子放P,本来就没有第三种,你不是就说了一句:“人有...
    现在有一个明显的趋势让PHPer必须清醒地认识到自己无论如何被分配在两大阵营中,别无选择:

    要么是开发框架,要么是开发应用程序。

    乍看之下会有人骂这个说法是脱裤子放P,本来就没有第三种,你不是就说了一句:“人有两种:男人和女人”。

    这是个定义的问题,我也可以说人只有两种,好人和坏人,那有人要问,不好不坏的人算什么?

    很简单:坏人。

    人以好坏的标准和以性别的标准来区分是不同的,因为,我们没有办法把阴阳人归到男人或者女人当中,这类人是极个别的另类。

    以此类推:PHPer有两种:优秀的和不优秀的,如果有人要问,有点优秀又带点不优秀的,算什么?

    很简单:不优秀。

    这与把人分成好人和坏人的标准有点类似,回到今天的主题:PHPer如何成长发展?

    题目给出了我的答案,先把自己归到一个类中,你是优秀的还是不优秀的?

    优秀的,去写框架,再把框架给不优秀的人去用。

    不优秀的,老实点,拿个框架去用用吧。

    讲一句跳出PHP(森林)进入到其它区域如JAVA或C(海洋或城市)的题外活,我下载过一次PHP的源代码,再没有下载第二次,我不敢了,对我来说,那是一个无比高深的领域(尽管读大学时我的C成绩是九十多分)。这个领域属于神的范畴。我要证明的是:没有哪个哥们会说学PHP是为了将来写PHP吧?

    我敢保证:学PHP的人也没有几个是为了写框架的。

    他们学PHP,是为了写应用程序的。

    结了,要写应用程序,又回到我的主题上来,拿个框架用用吧。

    有人不满了,说老子从来不用框架!

    可是你算老几?在PHP的森林里,你连个蚂蚁也算不上!不用框架的人都只是PHP森林中的食草类动物,在弄点青草提心吊胆地把自己的肚子弄饱的同时,还要担心皮肉会否成为哪只狮子老虎的早饭。

    因为什么?让不用框架的你如此脆弱?

    太多的元素了!你的程序没有结构,好象堆在地上直不起腰来的一堆烂肉;你的代码象一堆乱草,就算藏满珍宝也无人能够找到;你的ORM部分单薄得经不起一点风吹草动;界面不能修改否则只能另起炉灶;一旦多了几个点击,秀页面慢得象蜗牛让人无法忍受,而且当抱怨砸到你头上时你对于如何修改束手无策还骂他妈的SMARTY也不过如此!

    凡此种种,跳出来吧,用个好框架治一下你内心的伤痛吧!

    不要以为框架是别人做出来玩的。那是对PHP以及其他相关种种软件技术的提炼,没有修为和多年的浸淫是做不出来的。

    在此我要驳斥那些说看过(就算精通吧)某本基础入门编程书的人就达到了中高级水平的说法,那纯粹是误人子弟。没有实战的证明哪能说你是中高级水平了呢?中高级的标准是你订的吗?

    打个比方来说明这个观点:某本编程书,就好比是一本英语词典或者语法手册,退一步,再加你一本经典范文,把这三样东西搞好就能精通英文了,就达到英语的中高级水平了,鬼也不信的谎话!

    PHP和英语一样,是不能创造的, 也是不能速成的,涉及那么多的软件技术和互联网技术,那能有大力丸吃?

    PHP和英语一样,是有方法可依的,什么是方法?就是一种遵循的原则,这个原则的核心就是学习优秀源代码,有质量地积累到一定的程度。也就是熟读唐诗三百首的理论

    三百首,其实是“很多首”的转义,就是要多,“熟读”强调了质量标准,不能走马观花,要扎实,“唐诗”代表经典,表示你不能眉毛胡子一把抓,要取用精华。

    PHP中的“唐诗”在哪里?就在优秀的框架里,同样实现一个功能,框架上升到了理论的高度,集中了世界上优秀PHPer的集本智慧,拿一个来用,先不要看它的源代码,把它一步一步掌握得很熟练,用到你的应用程序中,这样你的系统就不再是一堆烂肉而是有骨胳支撑了。用框架中包含的好的对象方法去实现所有的功能,比比自己写的和框架中的差距到底在哪里?认真地用这个框架写上几个系统,比如电子商务,博客,论坛,CMS,在学习和使用的过程中,碰到不会的,不理解的,抓一本“字典”来用用(字典就应该是这么用的,而不是光拿本字典来背)。

       把框架用到烂熟了,就到了看看葫芦里卖的什么药的阶段了,打开来,细细地研读,分析,这个时候,你就处在编写PHPer应用程序这个群体的上层了,如果有兴趣成为编写框架群体中的一员,这时才是你的新的起点。如果不愿意做制造工具的人,你也应该理解支撑框架“优秀”名声背后的技术,否则是不能把框架的功能发挥到极至的。

      在此也要给国内正在制作或将要制作框架的人提个醒:第一,编写你们的框架时,要尊重开源的游戏规则,要取之有道;第二,要在框架中使用别的优秀成果,以使你的框架更强健。现在国内的框架很强调易用性,但是健壮性呢?在发明了很多看似时髦的新技术名词时,是否想到会否太偏离整个PHP技术的大家庭呢。

      在最后,以这样的一个感慨结束本小文:

      读书的时候,感觉到C是如此伟大,那时觉得有指针的东西才是上品。也曾经发誓要用C来写操作系统。现在,全世界数以亿计用C的代码在机器里运行,而我连用C写个“Hello world”也已经不会了。

      当全世界的机器里运行着数以亿计的PHP代码时,希望我的程序在框架的帮助下也会在几个曾至几百个机器里优秀地运行着,而不是只在我自己的破机器里“戛吱戛吱”地一遍又一遍地显示“Bye world”。
    展开全文
  • 教你Android网络框架之基本架构

    万次阅读 多人点赞 2015-01-15 18:14:41
    在Android开发过程中,网络是我们很重要的一部分,因此我们就以网络框架开始。在这个框架开发过程中,我会整理开发思路、以及遇到一些设计问题时会有怎么样的考虑、解决方案,当然这只是我个人的观点,大家也可以有...

        转载请注明出处,本文来自【 Mr.Simple的博客 】

    我正在参加博客之星,点击这里投我一票吧,谢谢~   

    前言

    在前段时间,偶然参加了博客之星的评选,也偶然的进入到了鸿洋和任玉刚两知名博主的开发群,感受到了很浓厚的技术探讨氛围,于是自己也冒出了写一些系列博客的想法。虽说本人水平有限,但是也希望自己的博客能够帮到一些需要帮助的人。需要你是高手,那么显然不适合你,就没有必要再看下去了。如果你对框架开发或者说Android网络请求不是很了解,每次要使用网络时都要到百度搜索一番,那么着可能是你需要的。
    在开发过程中,网络是我们很重要的一部分,因此我们就以网络框架或者说网络模块开始。在这个框架开发过程中,我会整理开发思路、以及遇到一些设计问题时会有怎么样的考虑、解决方案,当然这只是我个人的观点,大家也可以有自己的实现。除了网络框架,后续的系列还想更新ImageLoader框架、ORM框架,如果有时间也会增加动画框架和微博开发的系列文章。当然这些框架只是一些简单的框架基础,本人水平、时间有限,而且已经有现成、成熟的很多框架,我们在这里只是以重复造轮子的态度去学习轮子构建过程,从而达到能够造轮子的地步。至于很多细节的问题,我们这里就补过多讨论了,如果有兴趣,各位可以自行研究。
    最后,我们暂且把这个框架命名为Simple_Net_Framework,下面我们一起进入主题吧。

    基本结构

    1 ( Simple_Net_Framework的基本结构 
    SimpleNet框架的基本结构类似于Volley,包括一些命名上也有跟Volley一致。它主要分为四个部分,最上面的部分为Request,即各种请求类型。例如返回的数据类型为json的对应为JsonRequest,返回数据字符串的为StringRequest,如果需要上传文件,那么你需要使用MultipartRequest,该请求只支持小文件的上传,如果上传的文件过大则会产生OOM。
    第二部分为消息队列,消息队列维护了提交给网络框架的请求列表,并且根据相应的规则进行排序。默认情况下更具优先级和进入队列的顺序来执行,该队列使用的是线程安全的PriorityBlockingQueue<E>,因为我们的队列会被并发的访问,因此需要保证访问的原子性。
    第三部分是Executor,也就是网络的执行者。该Executor继承自Thread,在run方法中循环访问第二部分的请求队列,请求完成之后将结果投递给UI线程。为了更好的控制请求队列,例如请求排序、取消等操作,这里我们并没有使用线程池来操作,而是自行管理队列和Thread的形式,这样整个结构也变得更为灵活。
    第四部分则是Response投递类,在第三部分的Executor中执行网络请求,Executor是Thread,但是我们并不能在主线程中更新UI,因此我们使用

    ResponseDelivery来封装Response的投递,保证Response执行在UI线程。

    每个部分职责都相对单一,这样便于日后的升级和维护。

    框架分析

    图1中看起来有点像是分层架构,其实不是,这个图更多的是表达了它的逻辑顺序,而不是结构。而在我们的应用开发中,分层架构是一个重要的手段,如图2所示。
    图2 
    但在开发过程中,我们往往会把UI和业务层耦合起来,因为它们的关系太密切了,分解起来并不是那么容易。高手能够把复杂的事情简单化,而分解就是简单化的重要手段,分解这个过程在开发过程中我们成为重构。但是如何分离UI和业务层也是本人最近想学习的,如果各位有好的解决方案,还希望多多指教。
    那么我们就引入了一个分层概念,为了便于理解你也可以按照如图1的结构来加深理解。那么分层有什么优缺点呢?

    优点:

    1、复杂问题分解简单化,每一层负责自己的实现,并向外提供服务;

           2、职责分离,复杂的系统都有很多人员进行开发,这些功能开发的管理和集成是个很严重的问题,分层设计实现之后,每层只需定义好自己的对外接口,其他依赖层服务的就可以进行开发;

           3、每一层对其他层都是独立的,对外隐藏实现细节,上层无需知道下层的细节,只需调用接口即可;

           4、有利于标准化。

    缺点:

    1、分层之后对于领域业务的修改有可能需要修改很多层;

            2、过多的层次影响性能。


    如上所说,我们的Simple_Net_Framework并不是分层的,而是简单的模块化,但是理论基础都是类似的,依赖于抽象而不依赖于实现、单一职责......这里引入分层的概念,这是便于理解,同时也是希望大家在开发过程中能够尽量保证模块的内聚性、耦合性。
    再看Simple_Net_Framework,Request是一个抽象的泛型类,泛型类型就是返回的Response类型,例如StringRequest就是继承自Request<String>。第二部分的RequestQueue依赖于Request,Request是抽象的,因此任何Request的子类都可以传递到请求队列中来,它依赖的是抽象Request,而不是具体的某个实现,因此保证了可扩展性。你可以自己实现自己所需的Request,例如大文件的上传Request。同理,第三部分的NetworkExecutor也只是依赖于Request抽象,但这里又引入了一个类型HttpStack,这个网络请求的真正执行者,有HttpClientStack和HttpUrlConnStack,两者分别为Apache的HttpClient和java的HttpURLConnection,关于这两者的区别请参考:Android访问网络,使用HttpURLConnection还是HttpClient?。HttpStack也是一个抽象,具体使用HttpClient还是HttpURLConnection则由运行系统版本来定,HttpStackFactory会根据系统版本给框架返回对应的HttpStack。最后的ResponseDelivery比较简单了,只是通过Handler将结果投递给UI线程执行,也就是执行RequestListener的onComplete方法,此时网络执行完成,用户即可在该方法中更新UI或者相关的其他的操作。
    下面我们再看看SimpleNet的工程结构,如图3所示。
    图3 图4
    这就是Simple_Net_Framework框架的基本结构了,如果期待下一篇博客的更新,就请顶个帖吧!谢谢~
    我正在参加博客之星,点击这里投我一票吧,谢谢~   

    展开全文
  • VINS理论与代码详解1——框架解析

    万次阅读 2017-12-05 13:27:06
    VINS理论与代码详解1——框架解析 在前面:本文整和自己的思路,希望对学习VINS或者VIO的同学有所帮助,如果你觉得文章的对你的理解有一点帮助,可以推荐给周围的小伙伴们当然,如果你有任何问题想要交流,欢迎...
  • 智能IoT系统框架理论

    千次阅读 2016-10-15 22:14:49
    SEG3.0理论已经在M3框架中实现,被FIESTA-IoT欧盟平台扩展。M3实现了利用语义web技术语义标注化传感器数据的IoT应用程序的快速原型设计。 三、网络服务层: 使得开发者能够更加容易的在虚拟化层的IoT...
  • iBATIS框架学习[20070409] 作者:kimsoft自己整理的对iBATIS框架的一些简单理论知识,有助于进一步了解和深入学习iBATIS框架,错误或不当之处,在所难免。1、什么是iBATIS1.1作者 Clinton Begin,很牛X的名字1.2...
  • 前言 看过我之前的博客就知道,我曾经用java了一个...由于这个原因,我打算使用c++和cuda重写一个深度学习框架。有了CupDnn的经验,结合最近阅读darknet、caffe、tiny_dnn源码的心得,新的[Grape](https://g...
  • 教你Android ImageLoader框架之基本架构

    万次阅读 多人点赞 2015-01-31 16:04:45
    如果你认为我的东西烂得不值一提,那你就深深地埋藏在心里吧。 基本架构 一般来说,ImageLoader的实现都是基于线程池,在第一版的我也是使用线程池来加载图片,但是后面的版本却换成了跟SimpleNet类似...
  • Pixhawk之UAV控制理论、ardupilot源码框架介绍

    万次阅读 多人点赞 2016-03-06 22:41:36
     昨天开会开到接近下午一点钟,收获相当大,原本不太清楚的ardupilot框架现在也大致熟悉了,接下来主要就是结合源码了解其控制过程了,整体控制台过于复杂,还需要慢慢的研究。  但是,本篇博客还是不会太涉及那么...
  • 讲了这么多理论,我们来手动实现一个简易的IoC框架的,这样可以加深IoC的理论知识。  一、思路  在我们使用Spring.NET框架的时候,首先需要实例化Spring.NET容器, 然后调用IoC容器IObjectFactory接口中...
  • 摘要 因子共线性的困扰:在多因子加权时,我们通常会从规模、估值、成长、质量等多个维度选择表现较好的因子进行加权。...因子正交的统一框架:因子正交化本质上是对原始因子进行旋转,旋转后得到一组两两正交的新...
  • [为什么要这篇文章呢?] 很多初学者都在不停的困惑,学好了编程语言到底怎么去开发软件呢?一个软件到底是怎么构建起来的? 那么我针对这个疑问画了一个图。本人开发过大大小小的产品或者软件,但由于都不属于...
  • 相关文章【从零开始一个简单的ImageLoader框架】项目介绍【从零开始一个简单的ImageLoader框架】ImageLoader分析【从零开始一个简单的ImageLoader框架】MyImageLoader代码简介项目目的ImageLoader在实际项目...
  • 自动化测试系列之一:使用SpecFlow+Selenium框架理论介绍 自动化测试系列之二:使用SpecFlow+Selenium框架在Visual Studio上自动化测试脚本 自动化测试系列之三:使用Katalon Recorder自动生成基于Selenium...
  • 荐书:《架构探险:从零开始分布式服务框架》 一线技术专家 全方位解析 分布式服务框架底层技术细节 手把手教你 搭建一个完整的符合自身需求的 分布式服务框架 随着互联网浪潮风起云涌,互联网行业...
  • 亲自动手一个深度学习框架

    千次阅读 2018-12-06 16:45:55
    通过模拟Caffe,亲自动手一个深度学习框架,搞懂底层原理,进而掌握复现新型模型的能力。 适用人群 人工智能、计算机视觉方向的本科生,研究生;IT工程师;对深度学习感兴趣者。 课程简介 Caffe、Tensorflow和...
  • 大概 2 个月前,我说过要利用业余时间一个简单的 RPC 框架,今天(2020-06-05)总算将其开源出来,希望对小伙伴们有帮助。 虽说 RPC 的原理实际不难,但是,自己在实现的过程中自己也遇到了很多问题。Guide-rpc-...
  • 《自己动手写框架1》:缘起

    千次阅读 2015-06-04 13:07:51
    再后来,随着时间的推移,我们的软件代码得越来越多,它们中的一部分具有相当的通用性,可能就会变成一个公共库;它们其中的一部分,在整体的运行机制来说是统一的,可以抽取成公共的部分,但是有一部分又会业务性...
  • 爱买书,虽然读书懒惰的很,但最近还是陆陆续续的买了五六本书的样子,包括:核心技术、深入虚拟机、并发编程等,这些书中我能读的进去,且通俗易懂的当属这本黄勇的《架构探险:从零开始Java Web框架》。...
  • 基于J2EE的框架技术的实现与应用【摘要】 J2EE的应用越来越广泛,J2EE应用从设计上可以分为三层:表示层、业务层和数据持久层。在这三层上与之对应的J2EE技术为WEB技术和EJB技术,WEB技术实现表现层,而EJB规范负责...
  • 以后我会结合ORB-SLAM2代码,相关的多视图集合,数学优化,Bundle Adjustment等博客。  本讲主要介绍ORB-SLAM2框架,以及代码结构。 1.ORB-SLAM框架  先上一个ORB-SLAM三线程图片。在下图中我们很清楚...
  • 这个 RPC 框架主要是为了通过造轮子的方式来学习,检验自己对于自己所掌握的知识的运用。 实现一个简单的 RPC 框架实际是比较容易的,不过,相比于手写 AOP 和 IoC 还是要难一点点,前提是你搞懂了 RPC 的基本...
  • hadoop框架详细分析

    千次阅读 2013-08-20 13:28:23
    hadoop框架详细分析
  • 《亲自动手一个深度学习框架》 课程介绍   Caffe、Tensorflow等框架灵活好用,但也屏蔽了很多技术细节,对我们的学习很不利! 本课程带领大家亲自动手一个深度学习框架,理解常用技术的底层实现。具体安排如下...
  • 自动化测试系列之一:使用SpecFlow+Selenium框架理论介绍 自动化测试系列之二:使用SpecFlow+Selenium框架在Visual Studio上自动化测试脚本 自动化测试系列之三:使用Katalon Recorder自动生成基于Selenium...
  • 人工智能--框架表示法

    万次阅读 2019-03-27 23:19:28
    文章目录框架理论框架的基本结构框架的表示实例框架框架系统框架之间的纵向联系框架之间的横向联系 框架理论 框架理论认为,我们对世间事物的认识都是以类似框架的结构存储在记忆中的。当遇到一个新事物就从记忆中找...
  • 停止学习框架

    千次阅读 多人点赞 2018-12-21 23:20:14
    每过几年都有类似的文章出现,然而程序员却依然疲于学习新的框架,看完此文希望对你有所启示。 那么,译文开始。   我们是程序员,每天都在了解最新的技术,每天都在学习编程语言、框架和库。 因为我们知道的...
  • ps:我的同步框架是在lua里面的,已经经过了测试没有什么问题即使网络很卡也可以通过调节同步参数保证游戏的流畅。原来的代码里包含了一些项目内部的信息所以就不直接贴出来了。这里只给出核心代码具体的细节大家...
  •  很早就想过要一本关于.NET 通信框架的书,如今,是时候了!这将不是一本讲述深奥理论的教程,它是我这几年在通信框架开发过程中经验的总结;它融合原理、实现、应用于一体。虽然全书围绕ESFramework 2.0来进行,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 154,999
精华内容 61,999
关键字:

如何写理论框架