Objective-C内存管理

  OC2.0之前是没有垃圾回收的,之后出现的ARC帮开发者省去了不少的事情,但是学学MRC还是很有必要的,至少拿来面试应付技术经理还是有用的。

一、引用计数

     引用计数是Unix以及类Unix系统管理内存的方式,操作系统的两大核心就是内存管理和进程管理。引用计数最直观的原理就是,引用计数为零的内存块由系统负责回收,程序员最关心关心的也就这个吧。

二、强弱引用深浅复制

     每个对象都是一个内存块,C系列的语言用指针管理内存,指针本身就是一个内存地址,操作系统通过寻址获得数据,获得指针指向的地址中存储内容是我们经常用到的。每次访问这块地址分两种强引用和浅引用。强引用例如copy方式会开辟一块地址将原地址中的内容复制一份,这个时候引用计数加1,引用计数加1的方式有new,create,allc,copy,retain;这五种方式具体在下面讲讲他们的实现方式。前引用就是开辟一个指针指向原来指针指向的位置例如 int data = 5;  int *p1 , *p2; p1 = &data; p2 = p1; 其实这个时候 p1 和 p2都是data的弱引用,弱引用不会增加引用计数 ,此时data引用计数为1,如果运行完data释放后 p1,p2都会成为野指针,说道野指针不必紧张,大多情况下free/delete/release 掉就行。

三、alloc、copy、retain、new、create (引用计数加1)   

       alloc init 方式是给对象分配内存的时候,把关联的对象分配到一个相邻的区域内,以便调用时节省开销。alloc多用于创建新对象,引用计数加1.

        copy 上面说过了。

       retain 就是单纯的引用计数加1,没有开辟新单元,只是在用到的地方告诉系统加1.

       new 比较古老的内存分配。

四、release,autorelease

      内存管理原则谁创建谁释放,整体上retain和release配对,并将指针置空

[obj release];

obj = nil;

autorelease,创建的对象使用autorelease是将这个对象记录在系统的自动释放的数组中,由系统跟踪释放。

NSAutoreleasePool内部包含一个数组(NSMutableArray),用来保存声明为autorelease的所有对象。如果一个对象声明为autorelease,系统所做的工作就是把这个对象加入到这个数组中去。

 NSAutoreleasePool自身在销毁的时候,会遍历一遍这个数组,release数组中的每个成员。如果此时数组中成员的retain count为1,那么release之后,retain count为0,对象正式被销毁。如果此时数组中成员的retain count大于1,那么release之后,retain count大于0,此对象依然没有被销毁,内存泄露。

五、ARC

ARC自动引用计数,iOS5推出的新功能,基本原理是由系统根据代码逻辑在合适的地方添加retain 和 release,类似于垃圾回收机制,但只是由系统分担了一部分任务,开发者还是要注意内存的分配。ARC的致命缺点是在循环引用的时候,用到的对象将永远不会释放,例如在一个controller里调用的网络请求,这个请求中包含了controller里一些对象,在请求结束后给controller回调,这是正常的操作。如果在网络请求没完成的时候pop了这个controller并调用了controller的delloc方法释放了这个网络请求,那这个请求中用到的对象基本都无法管理了,当这个程序运行时间够长的时候就很容易因为吃内存Crashed掉。这个问题也不只是ARC存在的问题。

六、代码内存分配

BSS段:BSS段(bss segment)通常是指用来存放程序中未初始化的全局变量的一块内存区域。BSS是英文Block Started by Symbol的简称。BSS段属于静态内存分配。

数据段:数据段(data segment)通常是指用来存放程序中已初始化的全局变量的一块内存区域。数据段属于静态内存分配。

代码段:代码段(code segment/text segment)通常是指用来存放程序执行代码的一块内存区域。这部分区域的大小在程序运行前就已经确定,并且内存区域通常属于只读, 某些架构也允许代码段为可写,即允许修改程序。在代码段中,也有可能包含一些只读的常数变量,例如字符串常量等。

堆(heap):堆是用于存放进程运行中被动态分配的内存段,它的大小并不固定,可动态扩张或缩减。当进程调用malloc等函数分配内存时,新分配的内存就被动态添加到堆上(堆被扩张);当利用free等函数释放内存时,被释放的内存从堆中被剔除(堆被缩减)

栈(stack):栈又称堆栈, 是用户存放程序临时创建的局部变量,也就是说我们函数括弧“{}”中定义的变量(但不包括static声明的变量,static意味着在数据段中存放变量)。除此以外,在函数被调用时,其参数也会被压入发起调用的进程栈中,并且待到调用结束后,函数的返回值也会被存放回栈中。由于栈的先进后出特点,所以栈特别方便用来保存/恢复调用现场。从这个意义上讲,我们可以把堆栈看成一个寄存、交换临时数据的内存区。

它是由操作系统分配的,内存的申请与回收都由OS管理。


 


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