【文档】线程 / Thread

线程 / Thread

Document Infomation
 File ID :   0805
 Create :  08-06-08 AM
 Author : Joephia
 Update :  08-06-08 AM
Abstract

如何使用线程 / How to use Thread [ 示例代码 ] [ Top ]

在介绍如何使用线程前,我们先简单了解线程的概念.
在一个应用程序中,首先拥有一个主线程,当创建了更多线程的时候,那些线程被称作子线程。而所有线程加在一起,并加上运行时所分配的内存,堆栈等就构成了进程。一个进程拥有唯一的标志符,即 PID (Process ID).作为一个线程,系统可以为其分配独立的CPU时间,但前提是要求主线程必须有空闲时间。所以如果在主线程没有空闲的时候,就无法继续消息循环,子线程是没有办法工作的。但是相反的,如果子线程没有空闲时间,那是不影响主线程的。

明白了线程关系后我们就知道应该把那些费时的工作放到子线程里实现,而主线程则处理用户交互和显示运行结果。例如在本例中需要实现的搜索文件功能。如果把搜索工作放到主线程里,那么程序就会在暂时性的进入无法响应的状态,有人建议用OnTimer函数,这是一种解决的方法,但决不是一种好的解决方法,因为不管把触发频率设的多高,其速度和线程相比相差的都不是一个数量级。

下面介绍下关于线程的几个API函数,仅介绍和本话题相关的功能。

    	::CreateThread(NULL,0,(LPTHREAD_START_ROUTINE)ThreadFunc,(void*)this,0,NULL);
	::SuspendThread(hThread);
	::ResumeThread(hThread);
	::WaitForSingleObject(hThread,1000);
	::CloseHandle(hThread);

::CreateThread(NULL,0,(LPTHREAD_START_ROUTINE)ThreadFunc,(void*)this,0,NULL);
这个函数能创建线程,并返回该线程的句柄 hThread,值得注意的是 参数ThreadFunc是即将调用的函数入口地址,该函数需要冠以 CALLBACK 属性,并属于全局函数,在本例中使用 static CALLBACK 修饰。(void ×)this 这是个亮点,利用这个指针,我们可以调用静态函数不能调用的成员变量和函数,并省去了专门写数据包结构的麻烦事;

::SuspendThread(hThread);
这个函数可以将一个线程挂起,即暂时不分配CPU时间,那么该线程就会暂时停止执行

::ResumeThread(hThread);
这个函数复杂把一个挂起的线程,重新激活,使其继续运行

::WaitForSingleObject(hThread,1000);
这个函数等待一个线程的结束

::CloseHandle(hThread);
关闭句柄的万能函数,在关闭一个线程句柄前,应该配合WaitForSingleObject,否则线程没有结束,而其资源却被释放了,就会导致破坏性的错误

 继续回到搜索文件的话题,启动了一个线程我们就应该让他做点什么,比如显示搜索状态,在主界面显示当前搜索目录,当前搜索文件,以及一共找到了几个文件。在这里我们使用一个对话框程序CThreadDemoDlg作为主界面,那么给其添加几个CStatic控件可以显示结果。另外为了实现对线程的控制,我们添加了一个开关 m_bSwitchA ,当打开开关那么线程就会结束返回。下面是部分代码

 

//CThreadDemoDlg.h
//类声明文件中添加成员变量,为了使类的变量看起来整齐,结构清晰
//跟线程相关的参数全部放在了私有变量 arg 结构体中
//这是本例中的另一个亮点
private:
	struct ArgList{
		CString		sCurFilename;		//线程B中的当前文件名
		DWORD		nFinished;			//线程B中的完成度
		BOOL		bSwitchA;			//线程A中的结束开关
		BOOL		bSwitchB;			//线程B中的结束开关
		HANDLE		hFindFile;			//线程A句柄
		HANDLE		hRead;				//线程B句柄
	}arg;
	//CThreadDemoDlg.cpp
	//启动线程,根据线程句柄判断是否已经有了线程
	//如果有则恢复线程
	if(arg.hFindFile)
		::ResumeThread(arg.hFindFile);
	else
		arg.hFindFile=CreateThread(NULL,0,(LPTHREAD_START_ROUTINE)ThreadStart,(void*)this,0,NULL);

 

//CThreadDemoDlg.cpp
//线程函数
void CThreadDemoDlg::ThreadStart(void *pView)
{
	
	//搜索线程,由arg.bSwichA做为结束标志
	//按照层遍历方式,遍历C:
	CThreadDemoDlg *p=(CThreadDemoDlg *)pView;
	CStringArray pathArray;
	pathArray.Add(_T("C://"));
	p->arg.bSwitchA=FALSE;
	
	DWORD nTotal=0;
	
	do{
		CFileFind ff;
		CString sFind=pathArray.GetAt(0);
		p->m_directory.SetWindowText(pathArray.GetAt(0));
		
		sFind+=L"//*.*";
		sFind.Replace(_T(""),_T("//"));
		
		BOOL bFind=ff.FindFile(sFind);
		CString filename;
		while(bFind){
			if(p->arg.bSwitchA)			//检测开关
				return;
			bFind=ff.FindNextFile();
			if(ff.IsDots())
				continue;
			if(ff.IsDirectory())
			{
				pathArray.Add(ff.GetFilePath());
				continue;
			}
			filename=ff.GetFileName();
			p->m_file.SetWindowText(filename);	
			nTotal++;
			CString tmp;
			tmp.Format("%8u",nTotal);
			p->m_total.SetWindowText(tmp);
		}
		pathArray.RemoveAt(0);
	}while(pathArray.GetSize());
}

写到这里我们就可以实现文件搜索功能了。在下个话题,我将介绍如何使用进度对话框显示结果,敬请期待.

 

[ Top ]

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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