暂停的插口和能耗——基础,第三部分

继续讨论移动应用及其对耗电量的影响,我将接着Wayne Lee上一次留下的三个指南说起,尤其是第三条“了解你的应用如何利用硬件以及利用时间。”

移动应用之所以耗电,其中一个常见原因在于虽然应用不再使用暂停的插口连接网络,但由于应用未将其关闭,因此服务器认为该网络依然处于活动状态。随后来自服务器的询问造成不必要的电量消耗。

以下是关于该问题的更多背景知识,以及解决该问题的对策。

“醒醒。该睡觉了。”

应用在使用完插口后往往“忘记”将其关闭。当应用在一段时间内不使用数据后,服务器便会终止插口,将其关闭。

TCP中的插口终端要求进行一次四通连接,因此服务器必须将FIN包发送至设备,通常会使设备从低功耗的休眠状态进入高功耗活动状态。设备空闲一小段时间后便会再次回到休眠状态。这就像唤醒某人后告诉他该睡觉了。

以下面的图表为例。红色(1)表示设备从休眠状态切换至活动模式,在若干秒内正常发送与接收数据。一旦完成,蜂窝式无线电便进入省电空闲模式(2),以备再次使用。不活动时间达到15秒左右时,无线电进入休眠状态(3)。


但应用仍然让插口处于开启(暂停)状态。服务器不喜欢这种似连非连的模式,便向设备发送FIN包,再次使无线电从休眠切换至活动状态(4),仿佛在为应用发送/接收数据。更糟糕的是,无线电跟随正常曲线再次返回空闲模式,持续15秒,浪费更多电量(5)。

想到什么了吗?

由于服务器已经向设备索要了应用本不该提供的东西,因此手机必须提供无线电从而进行握手,这本可以轻易避免。若设备与网络之间不存在其他数据交换,这种连接便白白浪费了几百毫安电量。

假设应用每小时使用网络4次,如果让应用在每次使用完插口后将其关闭,便能节省大约20%电量,这意味着待机时间将从8小时提高至10小时。

我们得出的结论是:在编程时让应用在使用完插口后将其关闭。否则,手机将为与服务器之间毫无必要的握手发送无线电,浪费电源。

下一步

因此,我们可以用另一种说法解释Wayne的话,即你应当知道应用在如何使用蜂窝式无线电,以及何时使用,知道当应用不再需要无线电时如何将其关闭。

      · 观看WayneUplinq上的演讲:“使用最少的电量,提供最好的性能”

      · 阅读我们的白皮书“当移动应用过于耗电:安卓应用性能开发者指南”,了解更多关于移动应用和能耗的背景知识与观点。


原文链接地址:https://developer.qualcomm.com/blog/hanging-sockets-and-power-consumption-basics-part-3



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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
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