在你耳边BB

卷积神经网络 CNN 的结构一般包含这几个层： 输入层：用于数据的输入 卷积层：使用卷积核进行特征提取和特征映射 激励层：由于卷积也是一种线性运算，因此需要增加非线性映射 池化层：进行下采样，对特征图稀疏处理，减少数据运算量。 全连接层：通常在 CNN 的尾部进行重新拟合，减少特征信息的损失 输出层：用于输出结果 当然中间还可以使用一些其他的功能层: 归一化层（Batch Normalization）：在 CNN 中对特征的归一化 切分层：对某些（图片）数据的进行分区域的单独学习 融合层：对独立进行特征学习的分支进行融合

在 机器学习之线性回归 中，我们可使用梯度下降的方法得到一个映射函数 hΘ(X) 来去贴近样本点，这个函数是对连续值的一个预测。 而逻辑回归是解决分类问题的一个算法，我们可以通过这个算法得到一个映射函数 f：X-> y，其中 X 为特征向量，X 为 { x0 x1 x2 x3 x4 … xn }，y 为预测的结果。在逻辑回归这里，标签 y 为一个离散的值

一、朴素贝叶斯的推导 朴素贝叶斯学习（naive Bayes）是一种有监督的学习，训练时不仅要提供训练样本的特征向量 X，而且还需提供训练样本的实际标记 Y，是一种基于贝叶斯定理和特征条件独立假设的分类方法。

主成分分析（Principal Component Analysis）是一种常用的降维算法，可通过线性组合的方法将多个特征综合为少数特征，且综合后的特征相互独立，又可以表示原始特征的大部分信息。

一、密度聚类 密度聚类的思想，在于通过计算样本点的密度的大小来实现一个簇 / 类别的形成，样本点密度越大，越容易形成一个类，从而实现聚类。 密度聚类算法可以克服基于距离的聚类算法只能发现凸型集合的缺点，其可根据密度的分布发现任意形状的聚类，且对噪声数据不敏感。 因密度聚类算法需计算每个样本点附件的样本密度，因此计算复杂度比较大。

层次聚类是无监督学习方法，可对给定的 N 个待聚类的样本进行层次的分类，直到某种条件（类的个数、类间的距离超过某个阈值）满足为止。

聚类是一种无监督学习，根据样本的内在相似性 / 距离，将大量未知标记的样本集划分为多个类别，使得同一个类别内的样本相似度较大（距离较小），而不同类别间的样本相似度较小（距离较大）。 划分聚类包含 K-Means、K-Means++、Mini Bacth K-Means 等。

一些功能被插件化分离出来成一个 apk/zip 文件，当用户使用这些功能时，再去下载相应的插件（不安装插件 apk）来实现功能，当然也可以删除掉插件文件来实现删除功能的效果，实现了功能模块的解耦。

这篇文章主要使用 DexClassLoader 来实现插件化更换皮肤，即将皮肤独立出来做成一个皮肤插件 apk，当用户想使用该皮肤时需下载（不需要安装）对应的皮肤插件 apk