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
社区首页 >问答首页 >安卓7“& 10”平板电脑布局- sw600dp & sw720dp

安卓7“& 10”平板电脑布局- sw600dp & sw720dp
EN

Stack Overflow用户
提问于 2016-02-24 20:46:31
回答 1查看 3.3K关注 0票数 1

我已经创建了一个android应用程序,它在移动手机上运行良好。现在我希望它能兼容7英寸和10英寸的平板电脑。为此,我创建了可绘制文件夹和布局文件夹(sw600dp为7,sw720dp为10)。

市场上有许多7英寸的平板电脑。具有不同的像素以及屏幕密度。例如-7英寸平板电脑从宽度x高度(600×1024)到(1200×1920)不等,PPI从170到323不等。

相似的10英寸片从宽度x高度(768×1280)到(1600×2560)不等,PPI从132到300不等。

我已经在sw600dp和sw720dp中创建了我的图像资源,考虑到7英寸和10英寸平板电脑的基本大小,即600x1024和768x1280。在设计布局时,我的应用程序在像素和PPI密度方面看起来都很好。

但是剩下的设备呢?我需要一种方法来确保我的应用程序在市场上所有的7英寸和10英寸的平板电脑上看起来都很棒。我怎样才能做到这一点?

谷歌建议开发者应该关注设备的密度,而不是它的大小,但这里的问题是,如果我尝试DisplayMetrics来找到当前设备的密度,并显示相应的可绘制性和布局--可能因为PPI范围为7英寸(170-323)和10英寸(132-300)重叠,所以我可能会显示错误的可绘制布局。

如何确保显示当前设备的正确可绘制和布局?我是否需要为7英寸和10英寸平板电脑创建多个可绘制和布局文件夹,还是两个可绘制和2个布局(sw600dp和sw720dp)就足够了?请给我建议,因为我面对这个问题已经很多天了。蒂娅。

EN

回答 1

Stack Overflow用户

发布于 2016-02-24 21:48:47

首先,您不需要检查所有设备的DisplayMetrics。您不必担心“实际屏幕密度”,而是寻找“广义密度”。

从医生那里,

六种广义密度的集合:

  1. ldpi (低)~120 ldpi
  2. mdpi (介质)~160 mdpi
  3. hdpi (高)~240 hdpi
  4. xhdpi (超高)~320 high
  5. xxhdpi (特高)~480 high
  6. xxxhdpi (超高)~640 high

您需要在适当的密度特定文件夹中指定布局和绘图,以便在不同的设备上正确地使用它们。

例如,您有一些图像要显示,然后创建具有不同尺寸的图像的副本(小尺寸图像用于小型显示,大尺寸图像用于大型显示)。一旦你准备好这些图像,然后把它们放到密度文件夹中(对于绘图,它将是drawable-hdpi/drawable-mdpi/等)。就是这样。现在,当你的应用程序运行时,系统将检测屏幕密度,并从适当的文件夹中获取图像。

有关此问题的详细信息,请阅读支持多屏幕

票数 0
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/35618554

复制
相关文章
使用深度学习进行图像分类
解决任何真实问题的重要一步是获取数据。Kaggle提供了大量不同数据科学问题的竞赛。我们将挑选一个2014年提出的问题,然后使用这个问题测试本章的深度学习算法,并在第5章中进行改进,我们将基于卷积神经网络(CNN)和一些可以使用的高级技术来改善图像识别模型的性能。大家可以从https://www.kaggle.com/c/dogs-vs-cats/data下载数据。数据集包含25,000张猫和狗的图片。在实现算法前,预处理数据,并对训练、验证和测试数据集进行划分是需要执行的重要步骤。数据下载完成后,可以看到对应数据文件夹包含了如图3.6所示的图片。
用户9881348
2022/07/07
9240
图像分类 | 深度学习PK传统机器学习
图像分类,顾名思义,是一个输入图像,输出对该图像内容分类的描述的问题。它是计算机视觉的核心,实际应用广泛。 图像分类的传统方法是特征描述及检测,这类传统方法可能对于一些简单的图像分类是有效的,但由于实
两只橙
2018/04/27
2.2K0
图像分类 | 深度学习PK传统机器学习
图像分类 | 深度学习PK传统机器学习
图像分类,顾名思义,是一个输入图像,输出对该图像内容分类的描述的问题。它是计算机视觉的核心,实际应用广泛。
两只橙
2018/04/20
1.6K3
图像分类 | 深度学习PK传统机器学习
图像分类 | 深度学习PK传统机器学习
图像分类,顾名思义,是一个输入图像,输出对该图像内容分类的描述的问题。它是计算机视觉的核心,实际应用广泛。
两只橙
2021/11/24
8090
图像分类 | 深度学习PK传统机器学习
图像分类 | 深度学习PK传统机器学习
原文:Image Classification in 5 Methods https://medium.com/towards-data-science/image-classification-in-5-methods-83742aeb3645 作者:Shiyu Mou 翻译:何冰心 图像分类,顾名思义,是一个输入图像,输出对该图像内容分类的描述的问题。它是计算机视觉的核心,实际应用广泛。 图像分类的传统方法是特征描述及检测,这类传统方法可能对于一些简单的图像分类是有效的,但由于实际情况非常复杂,传统的
用户1737318
2018/07/20
9300
深度学习视频理解之图像分类
根据中国互联网络信息中心(CNNIC)第47次《中国互联网络发展状况统计报告》,截至2020年12月,中国网民规模达到9.89亿人,其中网络视频(含短视频)用户规模达到9.27亿人,占网民整体的93.7%,短视频用户规模为8.73亿人,占网民整体的88.3%。
博文视点Broadview
2021/10/11
1.4K0
深度学习视频理解之图像分类
【图像分类】使用经典模型进行图像分类
场景文字识别 图像相比文字能够提供更加生动、容易理解及更具艺术感的信息,是人们转递与交换信息的重要来源。图像分类是根据图像的语义信息对不同类别图像进行区分,是计算机视觉中重要的基础问题,也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础,在许多领域都有着广泛的应用。如:安防领域的人脸识别和智能视频分析等,交通领域的交通场景识别,互联网领域基于内容的图像检索和相册自动归类,医学领域的图像识别等。 这里将介绍如何在PaddlePaddle下使用AlexNet、VGG、GoogLeNet、ResN
用户1386409
2018/04/02
3.6K0
【图像分类】使用经典模型进行图像分类
学习KNN(一) 图像分类与KNN原理
本文介绍了KNN算法在图像分类问题中的应用,并分析了KNN算法在处理图像分类问题时所遇到的问题。针对这些问题,文章提出了各种改进的算法,包括如何解决样本不平衡问题,如何提高分类效率等。
chaibubble
2018/01/08
1.8K0
学习KNN(一) 图像分类与KNN原理
PCANet --- 用于图像分类的深度学习基准
前言 论文网站:http://arxiv.org/abs/1404.3606 论文下载地址:PCANet: A Simple Deep Learning Baseline for Image
Ldpe2G
2018/07/09
3.5K0
KNN图像分类
真味是淡至如常。 KNN图像分类 链接 摘自大佬的笔记,拿来细细品味,别是一番滋味。 import numpy as np import os import pickle import matplotlib.pyplot as plt import h5py import scipy from PIL import Image from scipy import ndimage def distance(X_test, X_train): """ 输入: X_test -- 由nu
AngelNH
2020/04/16
5780
基于深度学习的高光谱图像分类
使用createImagePatchesFromHypercube函数,将高光谱图像分割成大小为25×25像素、具有30个通道的Patches。
裴来凡
2023/05/24
1K0
基于深度学习的高光谱图像分类
图像分类应用
计算机学习的过程其实和人类是一样的,我们需要提供大量的因片,并告诉计算机这些图片是什么,然后计算机通过学习,总结出一套算法,就可以区分图片了。
楚客追梦
2023/05/03
2830
图像分类应用
【图像分类】 基于Pytorch的多类别图像分类实战
目前常用的深度学习框架主要包括tensorflow、caffe、pytorch、mxnet等;
用户1508658
2019/07/26
4K0
【图像分类】简述无监督图像分类发展现状
无监督图像分类问题是图像分类领域一项极具挑战的研究课题,本文介绍了无监督图像分类算法的发展现状,供大家参考学习。
用户1508658
2019/08/20
2K0
【图像分类】简述无监督图像分类发展现状
【图像分类】 实战图像分类网络的可视化
一直以来,深度学习被认为缺乏可解释性和基础理论支撑,往往被人们看做一个“黑匣子”。为了展现神经网络的内部特征并构建相应的理解过程,使神经网络更加可靠,相关的网络可视化研究越来越受人们重视。
用户1508658
2019/09/06
1.3K0
【图像分类】 实战图像分类网络的可视化
深度判别和共享特征学习的图像分类
秋雨思童年,落花念爱霖!一场秋雨的洗礼,让我们进入了真正能感觉得到的秋季。秋季是丰收的季节,不知朋友您收获如何?但是我相信您一定硕果累累,满载着各种成果、业绩和快乐继续向下一个目标努力前行。
计算机视觉研究院
2018/12/29
5390
使用PyTorch进行小样本学习的图像分类
近年来,基于深度学习的模型在目标检测和图像识别等任务中表现出色。像ImageNet这样具有挑战性的图像分类数据集,包含1000种不同的对象分类,现在一些模型已经超过了人类水平上。但是这些模型依赖于监督训练流程,标记训练数据的可用性对它们有重大影响,并且模型能够检测到的类别也仅限于它们接受训练的类。
deephub
2022/11/11
1.1K0
使用PyTorch进行小样本学习的图像分类
深度学习核心技术实战——图像分类模型
1.LeNet-5: 每一个卷积核都会形成一个特征图,3个通道则是每个通道是不同的卷积核,但是最后是将三通道的卷积值相加,最后变成一个通道,所以5564的卷积核,感知范围是5*5,最后出来是64层(个特征图)。每个卷积核都包括w(权重)和b(bias偏置)。LeNet-5最初用于手写数字识别。
微风、掠过
2018/08/02
3980
深度学习核心技术实战——图像分类模型
从cifar10分类入门深度学习图像分类(Keras)
之前需要做一个图像分类模型,因为刚入门,拿cifar10数据集练了下手,试了几种优化方案和不同的模型效果,这里就统一总结一下这段学习经历。
Cloudox
2021/11/23
1.5K0
从cifar10分类入门深度学习图像分类(Keras)
深度判别和共享特征学习的图像分类
秋雨思童年,落花念爱霖!一场秋雨的洗礼,让我们进入了真正能感觉得到的秋季。秋季是丰收的季节,不知朋友您收获如何?但是我相信您一定硕果累累,满载着各种成果、业绩和快乐继续向下一个目标努力前行。 ----
计算机视觉研究院
2018/04/17
1.1K0
深度判别和共享特征学习的图像分类

相似问题

Apache超集更新

11

Apache超集用户列表

13

无法安装apache超集

20

如何连接vertica和apache超集?

119

apache超集dashbaord未呈现

22
添加站长 进交流群

领取专属 10元无门槛券

AI混元助手 在线答疑

扫码加入开发者社群
关注 腾讯云开发者公众号

洞察 腾讯核心技术

剖析业界实践案例

扫码关注腾讯云开发者公众号
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
查看详情【社区公告】 技术创作特训营有奖征文