Android应用加载那个mipmap

Android应用加载那个mipmap

Android 应用开发中mipmap中几个文件夹的认识

mipmap中的文件夹分别为

mipmap-hdpi、

mipmap-mdpi

mipmap-xhdpi

mipmap-xxhdpi

mipmap-xxxhdpi

常见这五种mipmap在google官网上是推荐放启动图标的icon

发现:不同手机屏幕密度使用不同的mipmap既然以dpi结尾则与dpi有关

// 每英寸在x/y方向上的物理像素
float xdpi = getResources().getDisplayMetrics().xdpi;
float ydpi = getResources().getDisplayMetrics().ydpi;
dpi范围密度建议尺寸
0dpi ~ 120dpildpi
120dpi ~ 160dpimdpi48*48
160dpi ~ 240dpihdpi72*72
240dpi ~ 320dpixhdpi96*96
320dpi ~ 480dpixxhdpi144*144
480dpi ~ 640dpixxxhdpi192*192

Android对不同api适配会影响以上结论。也就是说Android是适配优先的。正常情况是遵循android根据屏幕密度dpi加载对应的dpi尺寸的。

在 Android 应用开发中,Android 系统会根据设备的屏幕密度来自动加载适合的 mipmap 资源文件夹中的图标。不同的 mipmap 文件夹对应不同密度的设备,系统会根据设备的实际密度(DPI,dots per inch)来选择最合适的资源加载。

以下是常见的 mipmap 文件夹和它们适用的设备密度:

  1. mipmap-mdpi:

    1. 适用于中密度屏幕,约为 160dpi 的设备。这是 Android 开发中的基准密度。

  2. mipmap-hdpi:

    1. 适用于高密度屏幕,约为 240dpi 的设备,通常是早期高端 Android 设备的标准。

  3. mipmap-xhdpi:

    1. 适用于超高密度屏幕,约为 320dpi 的设备,例如大多数现代智能手机。

  4. mipmap-xxhdpi:

    1. 适用于超超高密度屏幕,约为 480dpi 的设备,例如某些大屏幕手机和高分辨率平板电脑。

  5. mipmap-xxxhdpi:

    1. 适用于非常高密度屏幕,约为 640dpi 的设备,例如一些最新型号的大屏幕手机和平板电脑。

加载顺序和系统适配:

Android 系统会根据设备的实际屏幕密度从这些 mipmap 文件夹中选择最合适的图标资源。例如,对于一个 xhdpi 设备(约为 320dpi),系统会首先查找并加载 mipmap-xhdpi 文件夹中的图标。如果在 mipmap-xhdpi 文件夹中找不到合适的图标资源,系统会向上查找,依次尝试加载 mipmap-xxhdpimipmap-xxxhdpi 文件夹中的资源。

因此,开发者需要根据不同的密度为应用提供不同分辨率的图标资源,确保在不同屏幕密度的设备上显示时都能保持良好的视觉质量和清晰度。

下面以mipmap-xxxhdpi这该目录为例,进行详细说明; mipmap-xxxhdpi是指适用于非常高密度的 Android 设备的一种资源文件夹命名约定。以下是对这个命名的解释和用途:

解释和用途:

  1. 命名约定:

    1. mipmap-xxxhdpi 中的 mipmap 表示这是存放应用图标的文件夹。

    2. xxxhdpi 表示这些图标资源是为非常高密度的设备设计的,通常为 480dpi 的设备,比如某些大屏幕手机和平板电脑。

  2. 适用场景:

    1. mipmap-xxxhdpi 文件夹用于存放应用程序图标的高分辨率版本。在 Android 应用开发中,应用图标通常需要为不同密度的设备提供多个版本,以确保在不同设备上显示时保持清晰度和质量。

  3. 资源分辨率:

    1. 对于 xxxhdpi 的设备,Android 系统会尝试寻找并使用位于 mipmap-xxxhdpi 文件夹中的图标资源。这些资源通常会比低密度设备(如 mdpi、hdpi)的图标更大,以适应高分辨率屏幕而不失真。

  4. 示例:

    1. 如果你的应用需要适配最新型号的高分辨率 Android 设备,比如某些最新的大屏手机或平板电脑,你可能会在 mipmap-xxxhdpi 文件夹中放置图标资源。这些图标应该具有较高的像素密度,以确保在这些设备上显示时保持清晰度和视觉吸引力。

mipmap-xxxhdpi 文件夹是 Android 开发中用来存放适用于非常高密度设备(xxxhdpi 设备)的应用图标资源的文件夹,是为了优化在高分辨率屏幕上的显示效果而设计的。

引言 非线性函数极值寻优是工程优化和科学计算中的核心问题,传统方法在处理高维、多峰或不可导函数时往往效果不佳。神经网络与遗传算法的结合为解决这类复杂优化问题提供了新思路。本文将从计算机专业角度,详细分析神经网络遗传算法在非线性函数极值寻优中的原理、实现方法及优化策略。 混合算法原理与架构 遗传算法(GA)与神经网络(NN)的混合架构充分发挥了两者的优势:神经网络提供强大的非线性拟合能力,遗传算法则提供全局搜索能力。该混合系统的工作流程可分为三个关键阶段: 神经网络建模阶段:构建BP神经网络结构(如2-5-1),通过训练数据学习目标函数的输入输出关系。激活函数通常选择Sigmoid或ReLU,损失函数采用均方误差(MSE)。 遗传算法优化阶段:将神经网络参数编码为染色体(实数编码),以网络预测精度作为适应度函数fitness = 1/(1+MSE)。通过选择、交叉(概率0.4-0.9)和变异(概率0.01-0.2)操作进化种群。 协同优化阶段:遗传算法优化后的参数初始化神经网络,再进行BP微调,形成"全局搜索+局部优化"的双重机制。 关键技术实现 神经网络建模 采用MATLAB的Neural Network Toolbox实现,关键步骤包括: net = feedforwardnet([5]); % 单隐藏层5神经元 net.trainFcn = 'trainlm'; % Levenberg-Marquardt算法 net = train(net, input, target); % 网络训练 遗传算法优化 适应度函数设计与参数编码是核心: function fitness = ga_fitness(x) = sim(net, x'); % 神经网络预测 fitness = 1/(1+mse(y-target)); end 种群规模建议50-
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

打赏作者

JerryHe

你的鼓励是我创作最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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