探究Windows RT的系统内存占用

众所周知,Windows 8在推出之时有若干版本,其中就包括了针对ARM平台的Windows RT系统。ARM平台相比于PC平台就有些限制,这里就看看内存的占用量如何。

我这里使用的是华硕TF600T的RT平板,虽然不是Surface RT,但是两者使用的都是类似的硬件配置,系统也都是Windows RT,所以内存的占用也同样有可参考性。

首先我们来看一下系统开机时候的内存:

image

可以看出,系统自身带有了2G的内存,刚开机的时候占用不到500M内存,还是比较少的占用量。下面我们就打开一部分应用来进行测试。Windows 8和Windows RT当中有一个比较奇特的地方,就是置顶情况下的任务管理器在各种应用上面都可以看到,按照上图就可以设置了。

下面依次打开部分应用,首先打开的是地图应用。由于地图应用主要包含了各种图片,所以系统内存上升的比较快,大约为100M。

image

如果你查看“进程”标签页当中的地图应用的话,那么就会发现它占用的内存远小于100M,如图:

image

这里显示的就是程序的专用内存,一个程序跑起来不仅需要自己专用内存,而且系统对于这个程序的管理也是消耗内存的,所以就导致了两者显示内存用量的差别。

之后我们再打开其他的应用,限于篇幅,这里不进行详细的说明了,我将其录制到了一个视频当中,有兴趣的可以在这个地址查看(http://v.youku.com/v_show/id_XNTQ5NTExNzAw.html)

这里主要来说说使用当中遇到的情况:

第一点,就是系统内存不会再应用关闭的时候立即释放。由于商店应用采用的开发框架基于.Net或者HTML5,因此基本就是系统来进行内存调配和回收,这就导致了在应用关闭的若干秒之内,出现系统内存仍然居高不下的情况。比如关闭了地图应用之后,内存使用量没有明显变化,待约5秒过后才会释放出来,释放的大小大约为100M。也就是说待系统回收之后内存的使用量才回落。

第二点,系统内存占用有一个上界,不论打开应用个数的多少。Windows RT的后台机制很好的实现了这一点。

imageimage

如以上两张图所示,不论是横屏还是竖屏状态,使用的时候最多在侧边栏看到6个应用处于停靠的状态。如果当前应用刚切出去则不会立即停止,而是在约15秒之后才会进入挂起状态。当打开更多应用的时候,只保留6个后台应用,从而保证了系统总物理可用内存不会无限制减少。你可以关注任务管理器当中“已提交”这一项,这一项总共4G,为2GB的物理内存+2GB的页面文件(C:\Pagefile.sys)应用打开的时候这一项在增,除非关闭应用,否则这一项不减。系统是自动的将那些不常用的应用的内存移至页面文件当中,待需要使用的时候才调回来。

第三点,就是在体验方面了,就拿切水果来说,载入场景会卡顿,可能是因为要突然加载各种素材导致的,在进入之后就顺畅了。在整个过程中内存并没有明显的变化,因此应该是与处理器的性能有关。

所以总的来说,Windows RT系统对于内存还是友好的,而且使用过程当中内存也并不是一个瓶颈,不用担心因打开应用过多而导致的内存不足的问题。

转载于:https://www.cnblogs.com/DaochenShi/archive/2013/04/28/3050052.html

【6层】一字型框架办公楼(含建筑结构图、计算书) 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。
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。
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。
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