iOS多线程学习(2)——NSThread和NSOperation

上一篇  iOS多线程学习(1)——GCD 我们初步介绍了一下多线程和使用GCD来实现多线程。上次我们也提及,iOS使用多线程除了GCD之外,还有NSThread和NSOperation。这也是我们这一篇的重点。


首先感谢未来技术对iOS多线程的详解,大家想要了解更多的细节可以到 http://blog.ccskill.com/1269.html 。

本文主要通过一个项目来展示多线程在我们实际应用中的作用,不会涉及太多的多线程的基本知识点,反而会加入有关JSON数据解析,图片下载的内容。如果大家只是想查阅有关多线程的知识,可以到iOS开发文档 https://developer.apple.com/library/ios/navigation/ 去查阅。


首先我们要知道,苹果是推荐使用GCD的。

NSThread是早期的多线程管理方法,比NSOperation和GCD都要轻量级,但是使用会比较繁琐,需要自己管理线程的生命周期,线程同步。线程同步对数据的加锁一定的系统开销。而NSOperation则是IOS的一个抽象类,相比较NSThread而言比较简单,不需要程序员关心线程的管理,只需要专心代码功能的实现就好。至于GCD这里就不在赘述了,大家可以看我上一篇的博客。

好,我们开始通过一个项目来具体使用一下多线程的优点。

(1)新建一个项目,在storyboard里把UIViewController删除,同时把UIViewController的源文件一并删除。

(2)拖建一个UITabelViewController,把它设置为初始画面,由于我们只有这一个画面,我们就不用做其他的事情了。


(3)建立好UITabelView的框架,这里我不会说的很详细,具体我会在另外一篇博客中介绍,这里只给出步骤:

1。New->file,创建cocoa Touch class,一个类用于保存我们的数据,一个类用于关联我们的UITableViewController。(这是基于我们MVC的编程原理)

2。storyboard的UITableViewController关联我们新建的类,数据类编写好我们的数据类型。本文的tablecell类型设置为subtitle类型。


根据本文需要保存的数据,我的数据类编写为myInfomation.h / .m




(3)下面我们使用多线程来显示我们tableview的UI。

使用NSThread来获取数据。(如何获取和解析JSON数据不在本文内容范围,大家可以去http://blog.csdn.net/enuola/article/details/7903632/了解)

本文使用的是第三方json解析包   TouchJson包   下载: http://download.csdn.net/detail/enuola/4523169

在UItableViewController.m的viewDidLoad方法里进行数据初始化


关注点:


⬆️创建和start我们的NSThread线程,并且我们在前面使用了线程锁来保证数据的读取正确性。


⬆️要求我们返回主线程,否则我们将一直处于我们创建的线程中,这里为了刷新我们的tableView的UI,直接使用tableView的reloadData方法即可。⬇️



(4)数据的下载时间通常很短,而图片的下载则很长,所以我们使用NSOperation来实现多线程更新UI

NSOperation是一个抽象类,不可以实例化,我们可以使用它的子类

NSBlockOperation


关注点:


NSBlockOperation可以直接使用多个block,放入队列中等待执行,这是相比NSThread的优势。

(5)最后我们仍然使用GCD来模拟一下多线程的使用,这里只是为了介绍实现GCD的方便,你不是必须这样做。



END.总结

苹果是推荐我们使用GCD,因为GCD相比其他两个而言更加简单,更加抽象。

那么多线程的学习就到这里。。

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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