Runloop总结

Runloop

用户态, 内核态???什么意思 machport是什么?

什么是runloop?

runloop是通过内部维护的事件循环来对事件/消息进行管理的一个对象

事件循环是什么?(要回答出切换状态)

.没有消息需要处理时, 会发生一个从用户态到内核态的切换, 休眠以避免资源占用(不是简单的,while do..while循环)   

.有消息需要处理时,会发生一个从内核态到用户态的切换.立刻被唤醒


我们的main函数为什么能保持不退出?

在main函数中所调用的UIApplicationMain, 在这个函数内部, 会启动主线程的runloop, 而runloop

是一种对事件循环的维护机制,可以做到有事做的时候去做事, 没有事情做的时候, 会通过用户态到内核态的切换, 从而避免资源的占用,然后当前线程是处于一个休眠的状态.


NSRunloopfoundation框架中的, CFRunloopcorefoundation框架中是开源的





免费桥转换


检测时间点要记住  含义??? 




runloopmodel的关系如上 

runloop启动之后会发送一个消息给观察者它要即将启动, (]表示需要发送通知的消息)

之后runloop发送处理timer/source0的事件通知, 之后在进行处理source0, source1需要处理时, 会通过goto语句跳去处理,处理唤醒时收到的消息, 如果没有则线程发送一个将要休眠的通知给Observa, 然后发生了一个从用户态到内核态的切换, 线程正式进行休眠.

唤醒的条件

source1, timer事件的回调, 外部手动事件的唤醒

线程被唤醒之后, 会通知观察者当前线程被唤醒了, 然后处理唤醒时所处理的消息, 然后回到处理timer/source0事件, 然后依次向下执行


程序从点击一个图标, 到启动, 运行, 到被杀死, 系统发生了什么?

调用main函数之后, 会调用UIApplicationMain函数, 在这个函数中, 会启动主线程的runloop,然后经过一系列的处理, 主线程的runloop处于休眠状态,如果此时点击一个屏幕, 会产生一个machport, 基于machport,最终转成一个sorce1, 唤醒主线程,运行, 处理,然后处理,当把程序杀死, 会发生runloop的一个退出.runloop会发送一个即将退出的通知, 然后runloop退出之后, 线程也就销毁掉了.



runlooptimer看笔记本上面的


怎样实现一个常驻线程


在用户进行滑动的时候, 是运行在UITrackingMode中, 一般网络请求是在子线程中进行的, 子线程返回给主线程的数据抛给主线程用来更新UI, 这个时候,把子线程抛给主线程的逻辑包装起来, 提交到主线程的UIDefaultMode中, (performSelector:onThread:witgObject:waitUntilDone:modes:)滑动在UITracking模式下面, 这个提交到default模式下的任务便不会处理,当滑动停止之后, 这个model会切换到default模式下, 这个时候就会处理子线程给主线程的任务, 这样就不会打断用户的操作.


  • 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
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