fighting with IE memory leak

在某个Ajax项目中使用到了[url="http://labs.adobe.com/technologies/spry/"]Adobe Spry[/url]框架。

在项目部署测试中,发现有内存泄露。仔细检查了所有的代码,发现该注意的地方都已经清理过,一时找不到原因。最后突发奇想是不是用到的Spry框架的问题?用测试工具详细分析后表明,Spry的MenuBar组件在IE6下有内存泄露。晕,让Adobe的名号害惨了项目组的同志们,即使最新的1.6.1版本也不例外。最后分析代码表明,这还是那个IE6JS引擎与DOM引擎相互分离的[url="http://msdn2.microsoft.com/en-us/library/bb250448(VS.85).aspx"]老BUG[/url]了,当dom元素绑定到的事件响应函数引用到自身的时候。在page unload的时候,该元素就会成为孤儿,它占用的内存就不会被系统所回收。

经过测试,这个全局的菜单每次会有56个泄露的节点,占用内存200k左右。当页面浏览次数增加时,甚至会有数十M的内存泄露!

找到了问题的所在,那么解决起来就很容易了。hack部分代码,解决内存泄露。项目顺利验收...

在注册事件响应时,把匿名函数绑定在该元素上


Spry.Widget.MenuBar.prototype.addEventListener = function(element, eventType, handler, capture)
{
try
{
if (element.addEventListener)
{
element.addEventListener(eventType, handler, capture);
}
else if (element.attachEvent) //IE6 needs more to handle memory
{
element.attachEvent('on' + eventType, handler);
if(!element._handlers) element._handlers = [];
element._handlers['on' + eventType] = handler;
}
}
catch (e) {}
}


增加一个clearLeak方法,在onload事件中清除这些绑定。

Spry.Widget.MenuBar.clearLeak = function(menu)
{
if(!Spry.is.ie)return;
alert('reged with' + menu.element.id);
window.attachEvent('onunload', function(){
//alert('recycling...');
var recycler = document.createElement('div');
var element = menu.element;

loopLeak(element);

function loopLeak(object)
{
var children = object.childNodes;
if(children.length > 0)
{
for(var i in children)
{
var child = children[i];
if(child && child.nodeType == 1)loopLeak(child);
}
}
if(object && object._handlers)
{
for(var index in object._handlers)
{
var handler = object._handlers[index];
object.detachEvent(index, handler);
}
var a = object.attributes, i, l, n;
if (a) {
l = a.length;
for (i = 0; i < l; i += 1) {
n = a[i].name;
if (typeof object[n] === 'function') {
object[n] = null;
}
}
}
object._handlers = null;
}
}
//alert('recycling...done');
element = null;
});
}


最后在构造方法中,绑定menubar实例与清除函数。完成。


Spry.Widget.MenuBar.prototype.init = function(element, opts)
{
//...ommitted
if(Spry.is.ie)
{
//...
Spry.Widget.MenuBar.clearLeak(this);
}
}
};


参考文章:
[url=http://javascript.crockford.com/memory/leak.html]JScript Memory Leaks[/url]
[url=http://msdn2.microsoft.com/en-us/library/bb250448(VS.85).aspx]Understanding and Solving Internet Explorer Leak Patterns[/url]
[url=http://siteexperts.spaces.live.com/Blog/cns!1pNcL8JwTfkkjv4gg6LkVCpw!338.entry]Closures and IE Circular References[/url]
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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