前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Kotlin For Android 笔记(一)

Kotlin For Android 笔记(一)

作者头像
code_horse
发布于 2019-03-04 02:44:07
发布于 2019-03-04 02:44:07
54901
代码可运行
举报
文章被收录于专栏:Android NoteAndroid Note
运行总次数:1
代码可运行

一、Null 相关


Strict null safety

1、Safe call

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
override fun onCreate(savedInstanceState : Bundle?){
   super.onCreate(savedInstanceState)
   val locked : Boolean? = savedInstanceState?.getBoolean("locked")
}

savedInstanceState 为空时,表达式直接返回 null,反之执行表达式

2、Elvis operator

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
override fun onCreate(savedInstanceState : Bundle?){
   super.onCreate(savedInstanceState)
   val locked : Boolean? = savedInstanceState?.getBoolean("locked") ?: false
}

?: 操作符,例如:a ?: b 如果a不为空,则直接返回,反之,返回b

3、Not null assertion

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
override fun onCreate(savedInstanceState : Bundle?){
   super.onCreate(savedInstanceState)
   val locked : Boolean = savedInstanceState!!.getBoolean("locked") 
}

当使用 !! 时,必须要确保当前变量是不为空的,否则,会报 NullPointException,最好不用该操作符

4、let

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
override fun onCreate(savedInstanceState: Bundle?) {
    super.onCreate(savedInstanceState)
    savedInstanceState?.let{
    println(it.getBoolean("isLocked")) 
  }
}

savedInstanceState 为空,直接返回 null,反之,执行 let 表达式

二、转换相关


Normal cast

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
val fragment: Fragment = ProductFragment()
val productFragment: ProductFragment = fragment as ProductFragment

1、unsafe cast

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
val fragment : String = "ProductFragment"
val productFragment : ProductFragment = fragment as ProductFragment
\\ Exception: ClassCastException(编译期)

2、safe cast

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
val fragment : String = "ProductFragment"
val productFragment : ProductFragment? = fragment as? ProductFragment

注意:safe cast 使用 ProductFragment? 替代 ProductFragment

3、Non-nullable smart cast
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
fun setView(view: View?){
  if (view == null)
    return
    //view is casted to non-nullable
    view.isShown()
}
        ==
fun verifyView(view: View?){
    view ?: return
    //view is casted to non-nullable
    view.isShown()
    //..
}
//if want to throw exception
fun setView(view: View?){
    view ?: throw RuntimeException("View is empty")
    //view is casted to non-nullable
    view.isShown()
}

三、Control flow


1、The if statement

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
val hour = 10
val greeting = if (hour < 18) {
  //some code
  "Good day"
} else {
  //some code
  "Good evening"
}
println(greeting) // Prints: "Good day"
          //或
val age = 18
val message = "You are ${ if (age < 18) "young" else "of age" } person"
println(message) // Prints: You are of age person

2、The when expression

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
// one
when (x) {
    1 -> print("x == 1")
    2 -> print("x == 2")
    else -> println("x is neither 1 nor 2")
}

// two
val vehicle = "Bike"
val message= when (vehicle) {
"Car" -> {
    // Some code
    "Four wheels"
  }
"Bike" -> {
    // Some code
    "Two wheels"
  }
else -> {
    //some code
    "Unknown number of wheels"
  }
}
 println(message) //Prints: Two wheels

// three(处理多个值,使用逗号)
val vehicle = "Car"
when (vehicle) {
    "Car", "Bike" -> print("Vehicle")
    else -> print("Unidentified funny object")
}

// four(判断参数的类型)
val name = when (person) {
    is String -> person.toUpperCase()
    is User -> person.name
    //Code is smart casted to String, so we can
    //call String class methods

// five(判断参数是否被包含)
val riskAssessment = 47
val risk = when (riskAssessment) {
    in 1..20 -> "negligible risk"
    !in 21..40 -> "minor risk"
    !in 41..60 -> "major risk"
    else -> "undefined risk"
}
  println(risk) // Prints: major risk
}

// six(复杂类型的 when,可以替代 if...else if)
val riskAssessment = 80
val handleStrategy = "Warn"
val risk = when (riskAssessment) {
    in 1..20 -> print("negligible risk")
    !in 21..40 -> print("minor risk")
    !in 41..60 -> print("major risk")
    else -> when (handleStrategy){
                "Warn" -> "Risk assessment warning"
                "Ignore" -> "Risk ignored"
                else -> "Unknown risk!"
            }
}
println(risk) // Prints: Risk assessment warning

// seven(条件 true/false 处理)
private fun getPasswordErrorId(password: String) = when {
    password.isEmpty() -> R.string.error_field_required
    passwordInvalid(password) -> R.string.error_invalid_password
    else -> null
}

// eight(省略 else,因为可能的分支已被列举)
val large:Boolean = true
when(large){
    true -> println("Big")
    false -> println("Big")
}

3、Break continue

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
// continue、break 作用于当前 `循环`
val intRange = 1..5
for(value in intRange) {
    if(value == 3)
        continue
        println("Outer loop: $value ")
    for (char in charRange) {
        println("\tInner loop: $char ")
    }
}

// continue@outer、break@outer(作用于 `外层循环`)
val charRange = 'A'..'B'
val intRange = 1..6
outer@for(value in intRange) {
    println("Outer loop: $value ")
    for (char in charRange) {
      if(char == 'B')
        break@outer
  println("\tInner loop: $char ")
}
}

// return 将会退出所有的循环
fun doSth() {
val charRange = 'A'..'B'
val intRange = 1..6
for(value in intRange) {
      println("Outer loop: $value ")
      for (char in charRange) {
          println("\tInner loop: $char ")
          return
    }
  }
}
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019.02.11 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
使用HAI,基于PyTorch 实现一个基于 Transformer 架构的字符级语言模型
这篇教程将带你一步步在 JupyterLab 中实现一个简单的语言模型。我们将从零开始,使用 PyTorch 实现一个基于 Transformer 架构的字符级语言模型。尽管在实际应用中,大多数人更倾向于使用 Hugging Face 的预训练模型,但本文的目的是让你了解语言模型的基本原理和实现步骤。接下来,我们会讲解数据预处理、模型构建、训练过程以及如何利用模型生成文本,每个环节都附有详细的代码和解释,力求让内容通俗易懂。
不惑
2025/03/26
3050
使用HAI,基于PyTorch 实现一个基于 Transformer 架构的字符级语言模型
Transformer 模型示例
Transformer 架构是现代深度学习中非常重要的模型,广泛应用于自然语言处理(NLP)和计算机视觉(CV)领域。以下是一个使用 Python 和 PyTorch 编写的简单 Transformer 模型示例,用于处理文本数据(例如机器翻译或文本生成任务)。
软件架构师Michael
2025/01/20
2310
PyTorch中Transformer模型的搭建
PyTorch最近版本更新很快,1.2/1.3/1.4几乎是连着出,其中: 1.3/1.4版本主要是新增并完善了PyTorchMobile移动端部署模块和模型量化模块。 而1.2版中一个重要的更新就是把加入了NLP领域中炙手可热的Transformer模型,这里记录一下PyTorch中Transformer模型的用法(代码写于1.2版本,没有在1.3/1.4版本测试)。
带萝卜
2020/10/26
2.3K0
使用Python实现深度学习模型:Transformer模型
Transformer模型自提出以来,已经成为深度学习领域,尤其是自然语言处理(NLP)中的一种革命性模型。与传统的循环神经网络(RNN)和长短期记忆网络(LSTM)不同,Transformer完全依赖于注意力机制来捕捉序列中的依赖关系。这使得它能够更高效地处理长序列数据。在本文中,我们将详细介绍Transformer模型的基本原理,并使用Python和TensorFlow/Keras实现一个简单的Transformer模型。
Echo_Wish
2024/06/08
8110
使用Python实现深度学习模型:Transformer模型
带有coverage机制的PGN模型架构
在生成摘要时,我们可能会遇到重复生成某些词或短语的问题。coverage机制就是为了解决这个问题而设计的,它通过记录已经关注过的源文本部分,来避免重复关注和生成。
@小森
2025/01/23
1410
带有coverage机制的PGN模型架构
训练基于Transformer的翻译任务模型
🤗机器翻译是自然语言处理领域中的一个重要任务,其中Transformer模型其强大的表征能力和并行计算能力,成为机器翻译的主流模型。
@小森
2024/12/31
1990
训练基于Transformer的翻译任务模型
动手学深度学习(十三) NLP机器翻译
机器翻译(MT):将一段文本从一种语言自动翻译为另一种语言,用神经网络解决这个问题通常称为神经机器翻译(NMT)。 主要特征:输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。
致Great
2020/02/25
9100
动手学深度学习(十三)  NLP机器翻译
Transformer - 3 - Transformer 的实现
Transformer 模型来源于 Google 发表的一篇论文 “Attention Is All You Need”,希望大家能在有一些了解的基础上,能够自己读一下这篇文章。
为为为什么
2023/05/11
6210
Transformer - 3 - Transformer 的实现
Transformer深入浅出
我们从零开始用pytorch搭建Transformer模型(中文可以翻译成变形金刚)。
lyhue1991
2023/09/05
1.1K0
Transformer深入浅出
百闻不如一码!手把手教你用Python搭一个Transformer
与基于RNN的方法相比,Transformer 不需要循环,主要是由Attention 机制组成,因而可以充分利用python的高效线性代数函数库,大量节省训练时间。
一墨编程学习
2019/05/08
7690
百闻不如一码!手把手教你用Python搭一个Transformer
百闻不如一码!手把手教你用Python搭一个Transformer
与基于RNN的方法相比,Transformer 不需要循环,主要是由Attention 机制组成,因而可以充分利用python的高效线性代数函数库,大量节省训练时间。
大数据文摘
2019/05/07
1.1K0
百闻不如一码!手把手教你用Python搭一个Transformer
Transformer的基本原理
Seq2Seq[1]框架最初是在神经机器翻译(Neural Machine Translation,NMT)领域中提出,用于将一种语言(sequence)翻译成另一种语言(sequence)。其结构如下图所示:
felixzhao
2022/09/26
1.2K0
基于ResNet和Transformer的场景文本识别
对于自然场景的文字识别我们会遇到了许多不规则裁剪的图像,其中包含文本表示。虽然已经引入了许多复杂的想法来从图像中提取确切的文本。例如光学字符识别 (OCR)、基于 RNN 的 seq2seq 注意方法都是被认为是从结构图像中提取序列信息的传统方法,但许多研究人员发现,很难处理不规则图像和训练时间使他们更加昂贵。基于 RNN 的 seq2seq 注意力方法需要输入的序列表示,这些输入因输入而异,因此很难训练数百万张图像。大多数时间模型无法预测文本或字符,因为我们正在处理自然场景图像。
deephub
2021/07/23
9670
基于ResNet和Transformer的场景文本识别
动手学深度学习(十四) NLP注意力机制和Seq2seq模型
在“编码器—解码器(seq2seq)”⼀节⾥,解码器在各个时间步依赖相同的背景变量(context vector)来获取输⼊序列信息。当编码器为循环神经⽹络时,背景变量来⾃它最终时间步的隐藏状态。将源序列输入信息以循环单位状态编码,然后将其传递给解码器以生成目标序列。然而这种结构存在着问题,尤其是RNN机制实际中存在长程梯度消失的问题,对于较长的句子,我们很难寄希望于将输入的序列转化为定长的向量而保存所有的有效信息,所以随着所需翻译句子的长度的增加,这种结构的效果会显著下降。
致Great
2020/02/25
5090
动手学深度学习(十四) NLP注意力机制和Seq2seq模型
使用深度学习模型创作动漫故事,比较LSTM和GPT2的文本生成方法
这里使用的数据是从myanimelist中抓取的,它最初包含超过16000个数据点,这是一个非常混乱的数据集。所以我采取以下步骤清理:
deephub
2020/09/14
1.1K0
Transformer聊天机器人教程
在这篇文章中,我们将演示如何构建Transformer聊天机器人。 本文聚焦于:使用TensorFlow Dataset并使用tf.data创建输入管道来使用Cornell Movie-Dialogs Corpus,使用Model子类化实现MultiHeadAttention,使用Functional API实现Transformer。
昱良
2019/05/29
2.4K0
Transformer聊天机器人教程
Transformer注解及PyTorch实现(上)
"Attention is All You Need"[1] 一文中提出的Transformer网络结构最近引起了很多人的关注。Transformer不仅能够明显地提升翻译质量,还为许多NLP任务提供了新的结构。虽然原文写得很清楚,但实际上大家普遍反映很难正确地实现。
YoungTimes
2022/04/28
3820
Transformer注解及PyTorch实现(上)
大语言模型的幕后:如何构建一个全球级AI语言系统
在过去的几年里,大型语言模型(LLMs)如OpenAI的GPT系列、Google的BERT及其衍生版本等,已经成为人工智能领域的前沿技术。这些模型不仅在自然语言处理(NLP)任务中取得了显著成果,而且正在重塑从聊天机器人到自动化创作的多个领域。尽管这些技术的应用已经非常广泛,但很多人对于它们是如何构建的,尤其是如何打造一个全球级AI语言系统,仍然存在很多疑问。
一键难忘
2025/03/25
1380
熬了一晚上,我从零实现了Transformer模型,把代码讲给你听
来源丨https://zhuanlan.zhihu.com/p/411311520
Python数据科学
2021/10/19
2.5K0
【留言送书】跟我一起从源码学习Transformer!
近几年NLP领域有了突飞猛进的发展,预训练模型功不可没。当前利用预训练模型(pretrain models)在下游任务中进行fine-tune,已经成为了大部分NLP任务的固定范式。Transformer摒弃了RNN的序列结构,完全采用attention和全连接,严格来说不属于预训练模型。但它却是当前几乎所有pretrain models的基本结构,为pretrain models打下了坚实的基础,并逐步发展出了transformer-XL,reformer等优化架构。本文结合论文和源码,对transformer基本结构,进行详细分析。
lujohn3li
2021/01/12
6150
推荐阅读
相关推荐
使用HAI,基于PyTorch 实现一个基于 Transformer 架构的字符级语言模型
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验