Android支持库：getDrawable独立，如果向量与否
使用Android时
Drawable d = getResources().getDrawable(R.drawable.icon)
正确解析XML并返回有效的drawable。但当使用新的Vector Drawable支持库（23.4版，Gradle 2.1.2）时，该代码在Android 4下崩溃。
android.content.res.资源
...
原因：组织。xmlpull。v1.XmlPullParserException：二进制XML文件行#2：无效的可绘制标记向量
解决方案是使用
Drawable d = VectorDrawableCompat.create(getResources(), R.drawable.icon, null);
但是，如果资源不是向量资源，则会崩溃：
Java语言io。FileNotFoundException：损坏的XML二进制文件
那么，为了与Android 4和Android 6以及矢量和非矢量绘图工具配合使用，必须使用什么代码来代替第一行？例如，在所有情况下，这一行都是在Android 5.0项目中使用的？支持库文章没有提到执行此迁移的方法
共有3个答案
另一个可能的解决方案我目前发现的
ResourcesCompat.getDrawable(context.resources, resId, theme)
上下文应该是您的活动（但不是应用程序上下文）
我找到了解决办法。
您需要在活动中手动添加支持向量Drawable。
在活动中尝试以下操作：
static {
AppCompatDelegate.setCompatVectorFromResourcesEnabled(true);
}
您应该查看此博客条目以获取更多信息。
您可以使用以下方法在5.0之前获得Vector Drawable的绘图。
Drawable drawable = AppCompatResources.getDrawable(mContext, mImageTitleResId);
-
我的应用程序在5.1.0中运行平稳，但当我在4.2.2中运行时，它显示错误： 我研究过这个。它说在gradle中添加向量支持错误，所以我补充道： 和gradle文件中的两个依赖项。 但它在4.4.2中显示了相同的错误。
-
支持向量机 概述 支持向量机(Support Vector Machines, SVM)：是一种监督学习算法。 支持向量(Support Vector)就是离分隔超平面最近的那些点。 机(Machine)就是表示一种算法，而不是表示机器。 支持向量机 场景 要给左右两边的点进行分类 明显发现：选择D会比B、C分隔的效果要好很多。 支持向量机 原理 SVM 工作原理 对于上述的苹果和香蕉，我们想象为
-
支持向量机（Support Vector Machine，SVM它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，学习策略是间隔最大化，最终可转化为一个凸二次规划问题的求解。 直观来看，位于两类训练样本“正中间”的划分超平面效果最好，即中间最粗的那条。 一般使用支持向量机时还会使用核函数，这样支持向量机会成为实质上的非线性分类器。 基本概念 在样本空间中，划分超平面可以定义为
-
综述 “看二更云，三更月，四更天。” 本文采用编译器：jupyter 给定训练样本集D，分类学习最基本的想法就是基于训练集D的样本空间中找到一个划分超平面，将不同类别的样本分开。但能将训练样本分开但划分超平面可能有很多，如图。 存在多个划分超平面将两类训练样本分开 直观上看，应该去找位于两类训练样本"正中间"的划分超平面，即图中粗线的那个，因为该划分超平面对训练样本局部扰动的"容忍性"最好。
-
支持向量机（SVM）是个非常强大并且有多种功能的机器学习模型，能够做线性或者非线性的分类，回归，甚至异常值检测。机器学习领域中最为流行的模型之一，是任何学习机器学习的人必备的工具。SVM 特别适合应用于复杂但中小规模数据集的分类问题。 本章节将阐述支持向量机的核心概念，怎么使用这个强大的模型，以及它是如何工作的。 线性支持向量机分类 SVM 的基本思想能够用一些图片来解释得很好，图 5-1 展示了
-
支持向量机（SVM）是个非常强大并且有多种功能的机器学习模型，能够做线性或者非线性的分类，回归，甚至异常值检测。机器学习领域中最为流行的模型之一，是任何学习机器学习的人必备的工具。SVM 特别适合应用于复杂但中小规模数据集的分类问题。 本章节将阐述支持向量机的核心概念，怎么使用这个强大的模型，以及它是如何工作的。 线性支持向量机分类 SVM 的基本思想能够用一些图片来解释得很好，图 5-1 展示了