adf for dotnet中servercontext的释放

当使用local数据源做adf开发的时候,就可能接触到serverconttext,获取方法是MapResouceLocal.ServerContextInfo.ServerContext。
IServerContext对应的就是ArcServer上的用来处理请求的一个soc.exe进程。在esri的帮助文档中有这样一段话
When your application is finished working with a server context, it must release it back to the server by calling the ReleaseContext
method. If you allow the context to go out of scope without explicitly releasing it, it will remain in use and unavailable to other applications until it is garbage collected. Once a context is released, the application can no longer make use of any objects in that context.
This includes both objects that you may have obtained from the context or objects that you created in the context. 对于ArcServer的NoPooled的情况应该是在不再使用(如用户退出登录)的时候释放IServerCotnext。
下面主要讨论Pooled的情况,现在怕也没人用NoPooled这种方式了。
一、所以需要每次处理http请求的最后释放掉ServerContext,但在开发的时候(比如写一个tool)发现,当http在处理请求的时候,确实占用了一个ServerContext(使用arcserver提供的webmanager可以看到当前正在使用的Instance及servercontext数量),但我们并没有在代码中释放ServerContext,可处理完请求后,发现ServerContext还是释放掉了。那肯定是adf框架自己帮我们释放掉了,查看源代码发现GISResourceManager
T
, R
.Dispose
方法,该方法又调用了DataSourceManager.Dispose方法,在该方法中调用了IGISResource和IGISFunctionality

的Dispose方法,对于local连接,MapResourceLocal
.
Dispose
方法中释放了ServerContext。
二、如果自己连接ArcServer,通过IServerObjectManager.CreateServerContext创建的ServerContext需要自己写代码释放,最好是用完就释放。
三、如果页面写了一个ajax请求,而这个ajax请求就是一般的asp.net ajax请求(没有用adf提供的ajax方法请求,及没有通过Map控件来处理请求),如果在处理这个ajax请求时用到了ArcServer的远程对象,这个时候必须要自己写代码来释放ServerContext。为什么会出现这种情况呢,原来GISResourceManager
T
, R
.Dispose
方法会判断它自己是否initialed,如果没有则不会执行释放操作:
if (this.
m_initialized
|| base.
m_atLeastOneResourceInitialized
) {
this.OnResourcesDispose(null);
base.DataSourceManager.Dispose();
this.m_initialized = false;
base.m_atLeastOneResourceInitialized = false; }
而无论是加载整个页面还是,通过Map控件来处理ajax请求,查看GISResourceManager
.Initialized
属性均为True,而自己实现一个asp.net ajax请求时,该属性为False。


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