Juce源码分析(四)自旋锁

        上回说到,在多线程中操作共享变量的问题,当单个操作符操作共享变量时,我们可以使用原子操作符来代替普通操作符,以避免当程序指针在操作符内部时,CPU的切换。但这只是针对于单条语句的,倘若我有N条语句为一个不可分割的整体,也就是说不想让他们因为CPU的切换而分批执行,而是让他们一次性执行完毕。举一个比较恰当的例子,有一个数组类型的共享变量,我有N个线程都想遍历这个数组,这就不是单条指令了,而是一个代码块。这时原子操作符就难以到了,因为我这个代码块中除了基本操作还有很多函数的调用,我不可能去到函数里面把里面普通操作符改成原子操作符,而且还有很多函数根本没有源码,而是库,修改里面代码更是不实际。还有一种给代码块加锁的机制,这种加锁的机制更能让我们感到锁的存在。一般都是用像lock()和unlock()这样的一对函数给代码块加锁。

       按照锁的机制不同,分为两种锁,自旋锁互斥锁自旋锁与互斥锁比较类似,它们都是为了解决对某项资源的互斥使用。无论是互斥锁,还是自旋锁,在任何时刻,最多只能有一个保持者,也就说,在任何时刻最多只能有一个执行单元获得锁。但是两者在调度机制上略有不同。对于互斥锁,如果资源已经被占用,资源申请者只能进入睡眠状态。但是自旋锁不会引起调用者睡眠,如果自旋锁已经被别的执行单元保持,调用者就一直循环在那里看是否该自旋锁的保持者已经释放了锁,"自旋"一词就是因此而得名。

      下面,我们看一下Juce中是如何实现的

     

/************************************************************************/
/* 自旋锁                                                                     */
/************************************************************************/
class SpinLock
{
public:
	void enter() const              //加锁
	{
		if (! tryEnter())
		{
			for (int i = 20; --i >= 0;)
				if (tryEnter())
					return;

			while (! tryEnter())
				Sleep(0);   //提醒cpu重新计算线程优先级  
		}
	}

	bool tryEnter() const
	{
		return lock.compareAndSetBool(1,0);//比较如果为1置0
	}



	void exit() const               //解锁
	{
		lock = 0;

	}


protected:
	mutable Atomic<int> lock;
};
      

        我们可以看到,Juce里面的自旋锁实现还是非常简单的,在自旋锁内部维护了一个共享变量lock,当无论任何一个线程获得锁后,lock会置1,lock置1后其他线程不可访问,当CPU切换时,如果不能获得锁,那么就那里一直循环判断lock是否置0,直到lock被置0,或者程序指针切换到其他线程。

        关于自旋锁的效率问题,由于原子操作符更底层,所以自旋锁的效率肯定是要低于原子操作符的。但就自旋锁和互斥锁两种锁相比较的话,就得看情况了,一般被锁定的代码量较小时,自选锁的优势更加明显,但如果代码较多,那么互斥锁的效率更高一些。


  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    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。 、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 1
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

Skilla

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