黑马程序员-oc内存管理(Q)

------- android培训java培训、期待与您交流! ----------

1,管理范围:管理任何继承NSObject的对象,对其他的基本数据类型无效。

原因,基本数据类型存放在栈区,而对象存放在堆区。对堆区的内存管理主要是对堆区中的对象的内存管理。

Q: 为什么内存管理只管理OC对象?

A:堆中内存不连续无法自动释放 


2,内存管理方式:

MannulReference Counting(MRC,手动管理。) 

automatic reference counting(ARC,自动引用计数,iOS4.1 之后推出的) 

garbage collection(垃圾回收)。iOS不支持垃圾回收; 

3,MRC

1)原理:每个oc对象都有自己的引用计数器,是一个整数表示对象被引用的次数。当刚被创建时,计数为1,当技术器值变成0时,被销毁。

每个oc对象内部,都有专门的4个字节存储空间来存储引用计数器

2)操作:retain,使对象计数值加一;release,使对象计数值减一;retainCount,获得当前计数值。

3)原则:a,只要有人在使用某个对象,这个对象就不会被回收

b,只要你想使用这个对象,就应该讲这个对象的引用计数器值加一

c,当你不想使用这个对象的时候,就该将这个对象引用计数减一

d,谁创建谁release。如果通过alloc,new,copy等创建一个对象,那么你就必须调用release或者autorelease方法。

e,谁retain 谁release,只要调用了retain ,无论这个对象如何生成的,都要调用release

对象的销毁

当一个对象引用计数器为0时,这个对象将会被销毁,其占内存将会被回收。当一个对象被销毁时,系统会向对象发送一条dealloc消息,释放相关的资源。

Q:我记得,平常删除一个文件后,只是将用户可以操作的指向这个文件的地址给删了,内容还是存在的,只是待需要的时候,将原本的内容覆盖掉了。就像屋子里刷漆,待需要的时候,直接将原本的漆用新漆覆盖掉了。在内存中,说对象的指针被回收,但对象依然存在在内存,就造成了内存泄漏。这是指,如果对象所占的堆区内存置为0吗?可是置0不是alloc做的吗?

A:暂时还不知道,等以后知道再补上,先记下。

1)dealloc函数重写代码规范

  a,一定要[super dealloc],且放在最后,这样可以先释放子 类占用的空间再释放父类占用的空间

Q:为什么要先释放子类所占的空间,然后释放父类所占的空间?

A:如果先释放子类,那么调用父类的时候,可能所依赖的子类方法已经不存在了。

b,对self所拥有的其他对象做一次release操作

4 ,ARC

1)自动释放池:是一种支持引用计数的内存管理方式。

2)基本用法:a,将对象放到一个自动释放池中

      b,当自动释放吃被销毁时,会对池中的所有对象做一次release

c,会返回对象本身

d,调用完autorelease方法后,对象的计数器不受影响


注意:ARC是编译器特性,是编译器在编译的时候在特定地方加上retain,release 等的关键字。

编译器特性:点语法,@property,ARC  等


5操作

1,开启关闭arc

2,开启僵尸检测


3,arc兼容非arc

1在compile source 里单击非arc的类,加上 -fno-objc-arc


4,mrc转arc

这个,希望我不会用到,在edit-》refactor-》covert to object -c arc



------- android培训java培训、期待与您交流! ----------

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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