《Android开发艺术探索》IPC机制初认识

Android IPC 简介

    IPC是Inter-Process Communication的缩写,含义为进程间通信或者跨进程通信,是指两个进程之间进行数据交换的过程。说起进程间通信,我们首要理解什么是进程,什么是线程,进程和线程是截然不同的概念。按照操作系统中的描述,线程是cpu调度的最小单元,同时线程也是一种有限的系统资源。而进程一般指一个执行单元,在PC和移动设备上指一个程序或者一个应用。一个进程可以包含多个线程,因此进程与线程是包含和被包含的关系。最简单的情况下,一个进程可以只有一个线程,既主线程,在Android里面主线程也叫UI线程,在UI线程里才能操作界面元素。很多时候,一个进程中需要执行大量耗时的任务,如果这些任务放在UI线程中去执行就会造成界面无法响应,严重影响用户体验,这种情况在PC系统和移动系统中都存在,在Android中有个特殊名字叫做ANR(Application Not Responding),既应用无响应。解决这个问题就需要用到线程,把一些耗时的任务放在线程中即可。

    IPC不是Android所独有的,任何一个操作系统都需要有相应的IPC机制,比如Windows上可以通过剪贴板,管道和邮槽来进行进程间的通信;Linux上可以通过命名管道、共享内容、信号量等来进行通信。可以看到不同的操作系统平台有着不同的进程间通信方式,对于Android来说,它是一种基于Linux内核的移动操作系统,它的进程间通信方式并不能完全继承自Linux,相反,他有自己的进程间通信方式。在Android中最有特色的进程通信方式就是Binder了,通过Binder可以轻松的实现进程间通信。除了Binder,Android还支持Socket,通过Socket也可以实现任意两个终端之间的通信,当然同一个设备上的两个进程通过Socket通信自然也是可以的。     说到IPC的使用场景就必须提到多进程,只有面对多进程这种场景下,才需要考虑进程间通信。这个是很好的理解的,如果只有一个进程在运行,又何谈多进程呢?多进程的情况分为两种。第一种情况是一个应用因为某些原因自身需要采用多进程模式来实现,至于原因,可能有很多,比如有些模块由于特殊原因需要运行单独的进程中,又或者为了加大一个应用可使用的内存所以需要通过多进程来获取多份内存空间。Android对单个应用所使用的最大内存做了限制,早期的一些版本可能是16MB,不同设备有不同的大小。另一种情况是当前应用需要向其他应用获取数据,由于是两个应用,所以必须采用跨进程的方式获取所需要的数据,甚至我们通过系统提供的ContentProvider 去查询数据的时候,其实也是一种进程间通信,是不过通信细节被系统内部屏蔽了,我吗无法感知而已。后续章节会详细介绍ContentProvider的底层实现,这里就先不做详细介绍了。总之,不管由于何种原因,我们采用了多进程的设计方法,那么应用中就必须妥善的处理进程间通信的各种问题。
Android中的多进程模式

    在正式结束进程间通信之前,我们必须要理解Android中的多进程模式。通过给四大组件知道 android:process 属性,我们可以轻易的开启多进程模式,这看起来很简单,但是实际使用过程中却暗藏杀机,多进程远远没有我们想的那么简单,有时候我们通过多进程得到的好处甚至都不足以弥补使用多进程所带来的代码层面的负面影响。下面会详细分析这些问题。

开启多进程模式

    上面说了,开启多进程就是给四大组件(Activity、Service、Receiver、ContentProvider)指定android:process 属性,除此之外没有其他办法,也就是所我们无法给一个线程或者一个实体类制定运行时所在的进程。其实还有另一种非常规的多进程方法,那就是通过JNI在native层去fork一个新的进程,但是这种方法属于特殊情况,也不是常用的创建多进程的方式,因此我们暂时不考虑这种方式,下面是一个示例,描述了一如何在Android中创建多进程

<activity android:name=".MainActivity">
    <intent-filter>
        <action android:name="android.intent.action.MAIN" />
        <category android:name="android.intent.category.LAUNCHER" />
    </intent-filter>
</activity>
<activity
    android:name="com.azhon.mutiprocess.SecondActivity"
    android:process=":remote" />
<activity
    android:name="com.azhon.mutiprocess.ThirdActivity"
    android:process="com.azhon.mutiprocess.remote" />

上面分别为SecondActivity、ThirdActivity指定了process属性,并且它们的属性值不同,这意味着当前应用又增加了两个新进程。假设当前应用包名为"com.azhon.mutiprocess",当SecondActivity启动时 系统会为它创建一个单独的进程,进程名为"com.azhon.mutiprocess:remote",当ThirdActivity启动时,系统也会为它创建一个单独的进程,进程名为"com.azhon.mutiprocess.remote"。同时入口Activity是MainActivity,并没有为它指定process属性,那么它运行在默认进程中,默认进程进程名是包名。下面我们运行一下看下效果 如下图:

通过Android Studio的Logcat可以查看到进程信息


除了通过开发工具查看,我们还可以通过adb命令来查看,命令为"adb sehll ps | grep com.azhon.mutiprocess"。其中com.azhon.mutiprocess为应用的包名。

    不知道读者朋友有没有注意到,SecondActivity和ThirdActivity的android:process属性分别为“:remote”和“com.azhon.mutiprocess.remote”,那么这两种方式有区别吗?其实是有区别的,区别有两方面:首先,“:”的含义是指要在当前的进程名前附上当前的包名,这是一种简写的方法,对于SecondActivity来说,它完整的进程名为“com.azhon.mutiprocess:remote”,这一点通过上面的截图的进程信息就可以看出来,而对ThirdActivity中的声明方式,它是一种完整的命名方式,不会附加包名信息;其次,进程名以“:”开头的进程属于当前应用的私有进程,其他应用的组件不可以和它跑在同一个进程中,而进程名不以“:”开头的进程属于全局进程,其它应用通过ShareUID方式可以和它跑在同一个进程中。

    我们知道Android系统会为每一个应用分配一个唯一的UID,具有相同UID的应用才能共享数据。这里要说明的是,两个应用通过ShareUID跑在同一个进程是有要求的,需要这两个应用有相同的ShareUID并且签名相同才可以。在这种情况下。它们可以相互访问对方的私有数据,比如data目录、组件信息等,不管它们是否跑在同一个进程中。当然如果她们跑在同一个进程中,那么除了能共享data目录、组件信息,还可以共享内存数据,或者说它们看起来就像是一个应用的两个部分。

开启多进程模式的运行机制

    多进程带来的影响:

  • 静态成员和单例模式完全失效
  • 线程同步机制完全失效
  • SharedPreferences的可靠性下降
  • Application会多次创建
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

打赏作者

Code-Porter

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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