OutMan——集合对象的内存管理、copy的介绍及使用

097634e9169c6777120550ad61afb6bc-1.jpg 立即下载

集合对象的内存管理

一、集合对象的内存管理代码分析
(1)分析1:
这里写图片描述
-分析得出结论:
1. 当对象被添加到数组中的时候,对象的引用计数器加1
2. 当数组被销毁的时候,数组会向它其中的元素发送一条release消息

(2)分析2:
这里写图片描述
-分析得出结论:
1. 当对象从数组中移除的时候,对象的引用计数器减1

二、集合内存管理总结
(1)官方内存管理原则:
1. 当调用alloc、new、copy和mutableCopy方法产生一个新对象的时候,就必须在最后调用一次release或者autorelease方法
2. 当调用retain方法让对象的引用计数器加1,就必须在最后调用一次release或者autorelease方法
(2)集合的内存管理细节:
1. 把一个对象添加到集合中的时候,这个对象会做一次retain操作,对象的计数器会加1
2. 当一个集合被销毁的时候,这个集合里面的所有的对象都会做一次release操作,计数器会减1
3. 当一个对象从集合中移除的时候,这个对象会做一次release操作,计数器会减1
(3)普遍规律:
1. 如果方法名是add \ insert开头,那么被添加的对象的计数器会加1
2. 如果方法名是remove \ delete开头,那么被删除的对象的计数器会减1
(4)特别注意:当一个集合被销毁时,它里面存储的对象不一定被销毁,仅仅是做一次release操作

copy的介绍与使用

一、copy概念及入门
(1)什么是copy
        copy的字面意思是“复制”、“拷贝”,是一个产生副本的过程,常见的复制是一个源文件通过复制,产生一个副本文件
(2)对象copy的概念
        对象拷贝的目的:要使用某个对象的数据,但是在修改对象的时候不影响原来对象的内容

二、copy的特点
1. 修改源文件的内容,不会影响副本文件;修改副本文件的内容,不会影响源文件
2. OC中的copy,就指的是对象的拷贝,作用是利用一个源对象产生一个副本对象
3. 修改源对象的属性和行为,不会影响副本对象;修改副本对象的属性和行为,不会影响源对象

三、如何使用copy的功能
        一个对象可以调用copy方法或mutableCopy方法来产生一个副本对象
1. copy:创建的是不可变副本(如:NSString、NSArray、NSDictionary)
2. mutableCopy:创建的是可变副本(如:NSMutableString、NSMutableArray、NSMutableDictionary)

四、使用copy功能的前提
1. copy:需要遵守NSCopying协议,实现copyWithZone:方法

@protocol NSCopying

- (id)copyWithZone:(NSZone *)zone;

@end
  1. mutableCopy:需要遵守NSMutableCopying协议,实现mutableCopyWithZone:方法
@protocol NSMutableCopying

- (id)mutableCopyWithZone:(NSZone *)zone;

@end

五、copy和mutableCopy功能的代码分析
这里写图片描述
这里写图片描述
分析得出结论:
1. copy:创建的是不可变副本
2. mutableCopy:创建的是可变副本

六、深复制和浅复制
1. copy就是浅复制,因为没有产生新的对象
2. mutableCopy就是深复制,会在内存中重新分配一块内存空间
3. 有没有产生新的对象也是判断深浅复制的标准

七、copy与内存管理的代码分析
(1)分析一:
这里写图片描述
分析得出结论:
1. 由于地址相同,所以可以得出结论:不可变的对象进行copy以后,没有重新分配内存空间
2. 这是浅拷贝,只拷贝了地址,并没有真正的分配新的内存空间(源对象的引用计数器加1,副本对象指向源对象,引用计数器也增加了)
这里写图片描述

(2)分析二:
这里写图片描述
分析得出结论:
1. 由于地址不相同,所以可以得出结论:不可变的对象进行mutableCopy以后,重新分配一个新内存空间
2. 这是深拷贝,开辟了一个新的空间存储副本对象(副本对象的引用计数器为1)
这里写图片描述

八、copy与内存管理的总结:
(1)深复制(深拷贝、内容复制、deep copy)
1. 源对象和副本对象是不同的两个对象
2. 源对象的引用计数器不变,副本对象的引用计数器为1
3. 本质:产生了新的对象
(2)浅复制(浅拷贝、指针拷贝、shallow copy)
1. 源对象和副本对象是同一个对象
2. 源对象(副本对象)引用计数器加1,相当于做了一次retain操作
3. 本质:没有产生新的对象

九、@property中的copy关键字

@property(nonatomic, copy)NSString *name;
// set方法的展开形式
- (void)setName:(NSString *)name
{
    if (name != _name)
    {
        [_name release];
        _name = [name copy];
    }
}

十、@property内存管理策略选择
(1)非ARC(MRC)
1. copy:只用于NSString \ block
2. retain:除NSString \ block以外的OC对象
3. assign:基本数据类型,枚举、结构体(非OC对象),当两个对象循环引用的时候,一端用retain,另一端使用assign
(2)ARC
1. copy:只用于NSString \ block
2. strong:除NSString \ block以外的OC对象
3. weak:当两个对象循环引用的时候,一端用strong,另一端使用weak
4. assign:基本数据类型,枚举、结构体(非OC对象)

十一、为自定义类实现copy操作
(1)自定义对象copy步骤
1. 新建Person类
2. 为Person类实现copy操作
<1> 让Person类遵守NSCopying协议
<2> 实现copyWithZone:方法,在该法中返回一个对象的副本即可
<3> 在copyWithZone方法中,创建一个新的对象,并设置该对象的数据与现有对象一致,并返回该对象
3. 创建Person对象,调用copy方法,查看地址
(2)细节介绍
1. 调用copy其实就是调用copyWithZone方法,所以实现copyWithZone方法(查看NSObject协议中的copy方法介绍)
2. copyWithZone方法返回值类型是id类型,需要返回一个对象的副本
3. 关于copyWithZone的参数zone问题
<1> zone:表示空间,分配对象是需要内存的,如果指定了zone,就可以指定新建对象对应的内存空间,但是:zone是一个非常古老的技术,为了避免在堆中出现内存碎片而使用的,在今天的开发中,zone几乎可以忽略
<2>查看NSObject协议中的copyWithZone:方法介绍(zone参数可以被忽略,是历史原因)
4. 如果对象没有可变 / 不可变的版本区别,只要实现copyWithZone方法即可

十二、为自定义类实现copy操作的代码实现
(1)Person类的设计
                                                                     Person.h文件


#import <Foundation/Foundation.h>

@interface Person : NSObject<NSCopying>

@property(nonatomic, assign)int age;   // 年龄
@property(nonatomic, assign)float weight;   // 体重

@end

                                                                     Person.m文件


@implementation Person

// 实现copyWithZone:(NSZone *)zone方法
- (id)copyWithZone:(NSZone *)zone
{
    Person *p = [[Person alloc] init];
    p.weight = self.weight;
    p.age = self.age;
    return p;
}

@end

(2)main.m文件
这里写图片描述
注意:
1. 自定义对象的拷贝都是深拷贝

十三、为Person类实现mutableCopy操作
1. 遵守NSMutableCopying协议
2. 实现协议中需要实现的方法

// 实现mutableCopyWithZone:(NSZone *)zone
- (id)mutableCopyWithZone:(NSZone *)zone
{
    Person *p = [[Person alloc] init];
    p.weight = self.weight;
    p.age = self.age;
    return p;
}

十四、为Person类实现mutableCopy操作的代码实现
(1)Person类的设计
                                                                     Person.h文件


#import <Foundation/Foundation.h>

@interface Person : NSObject<NSMutableCopying>

@property(nonatomic, assign)int age;   // 年龄
@property(nonatomic, assign)float weight;   // 体重

@end

                                                                     Person.m文件


#import "Person.h"

@implementation Person

// 实现mutableCopyWithZone:(NSZone *)zone
- (id)mutableCopyWithZone:(NSZone *)zone
{
    Person *p = [[Person alloc] init];
    p.weight = self.weight;
    p.age = self.age;
    return p;
}

@end

(2)main.m文件
这里写图片描述


                                        —— 如果您有不同的见解,请随时指出,期待与您的交流!——


智能体式AI漫游指南中文版 智能体式AI漫游指南中文版、智能体式AI指南英文原版 立即下载

相关推荐

YOLO26算法星形目标识别+训练好的模型+100张数据集+pyqt可视化界面.zip

附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[星星(Star)] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 85 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9950** mAP50-95 | 0.8477 Precision | 1.0000 Recall | 0.9954 train/box_loss | 0.8235 train/cls_loss | 0.7275 val/box_loss | 0.7248 val/cls_loss | 0.9621 【训练过程分析】 85 轮训练后,我们得到了一个 mAP50 为 0.9950 的模型,这真是让人惊喜的成绩。一开始,模型的训练过程进展非常迅速,loss 在前 20 轮内从 1.5000 下降到 1.0000 附近,此后,loss 依然保持稳步下降,但速度明显放缓,特别是在第 30 轮到第 50 轮之间,loss 曲线进入了一个平台期,大约在 0.85 附近徘徊了 10 轮,直到第 60 轮左右才再度加速下降。这样的表现说明模型在前期阶段收敛良好,但到了后期,确实需要更多的训练轮次以确保模型的稳定性。 在验证集上,val_loss 保持平稳,没有出现明显的波动,这进一步证明了模型没有过拟合。然而,我们注意到在第 80 轮和第 85 轮之间,val_loss 似乎有所微弱的反弹,尽管这种波动并不显著。在训练集上,前 50 轮训... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。

单片机变量声明与内存管理

static 静态局部变量:只初始化1次(程序启动后第一次调用函数时),放RAM(xdata/data),不是栈。普通局部变量:栈变量,每次调用函数【分配栈】,退出自动释放,= 不跑初始化代码C51 里面,栈变量是变量声明本身不消耗 CPU,初始化赋值才消耗 CPU。

m0_74377037的博客 133

国央企如何利用AI工具提升科技创新项目管理与成果转化能力?.docx

国央企如何利用AI工具提升科技创新项目管理与成果转化能力?

【C++】内存管理

本文系统梳理程序内存布局:局部变量在栈,动态分配在堆,全局与静态变量在数据段,字符串字面量在代码段。对比malloc/free与new/delete,强调后者自动调用构造/析构函数,实现内存管理与对象生命周期的统一。详解new[]/delete[]如何记录数组大小并逆序析构,揭示内存泄漏成因——如指针混用、重复释放、未正确配对等,并提出预防策略。核心贯穿问题:空间由谁申请、谁释放、何时构造/析构。

记录在学习过程中学到的知识 338

融合高斯扰动与竞争学习的改进型多目标部落竞争与成员合作算法(IMOCTCM)求解DTLZ1-DTLZ7及-盘式制动器设计研究(Matlab代码实现)

内容概要:本文档名为《Plecs全桥LLC谐振变换器仿真模型.txt》,但实际内容并非聚焦于该主题,而是一份涵盖多个科研领域的Matlab/Simulink仿真资源汇总清单。文档列举了包括多目标优化算法(如IMOCTCM、MOWAA)、电力电子变换器控制(如LLC谐振变换器、DAB变换器)、电机控制(如PMSM无感控制)、状态估计(如卡尔曼滤波)、微电网调度、无人机路径规划、图像处理、信号处理等多个方向的仿真研究课题,涉及Matlab、Python、Simulink、PSCAD等多种工具和编程语言。文档末尾频繁出现“完整资源下载:公众号——荔枝科研社”及百度网盘链接,表明其核心用途是推广和分享一系列科研仿真资料,服务于学术交流与资源共享。; 适合人群:适用于电气工程、自动化、控制科学与工程、电力系统、电子信息、机械电子、计算机科学等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①为科研工作者提供丰富的Matlab/Simulink仿真案例参考和技术实现思路;②辅助高校师生完成课程设计、毕业设计或学术论文复现工作;③通过获取开源共享资源加速个人或团队的项目开发与算法验证进程。; 阅读建议:该文档属于资源目录性质,缺乏连贯的技术论述与逻辑结构,建议使用者根据自身研究方向筛选相关条目,结合提供的代码和模型进行学习与实践,并注意核实所下载资源的有效性、完整性以及代码运行环境的兼容性。

储能双向Buck-Boost+模型预测电流控制+电压下垂控制仿真【附参考文献】(Simulink仿真实现)

内容概要:本文档详细介绍了一套针对储能双向Buck-Boost变换器的Simulink仿真资源,融合模型预测电流控制与电压下垂控制策略,适用于微电网及分布式能源系统中的能量管理与稳定控制。仿真模型全面呈现了双向Buck-Boost电路在储能系统充放电过程中的动态行为,重点引入模型预测控制(MPC)与下垂控制相结合的先进控制算法,有效提升了系统的响应速度、稳定性与鲁棒性。文档不仅提供了完整的仿真模型结构与参数设置,还附有详实的参考文献,便于使用者深入理解控制原理并开展理论延伸研究,是电力电子、新能源系统等领域科研与教学的重要实践资料。; 适合人群:电气工程、自动化、新能源等相关专业的硕士博士研究生、科研人员以及从事电力电子变换器与微电网系统设计的工程师。; 使用场景及目标:①用于微电网中储能系统的建模与协调控制策略研究;②开展模型预测控制(MPC)与电压下垂控制在直流变换器中的联合应用仿真分析;③支撑高校电力电子课程实验、毕业设计及科研项目开发,深化对双向DC-DC变换器非线性特性和先进控制算法实现机制的理解。; 阅读建议:建议结合Simulink仿真模型与配套文档同步学习,重点关注控制器的设计逻辑、参数整定方法及系统动态响应特性,推荐对比传统PI控制与先进控制策略的仿真结果,以深入掌握不同控制方案的性能差异与优化路径。

HarmonyOS 内存管理与泄漏排查:从内存构成到引用链

本文系统讲解鸿蒙内存管理核心机制,聚焦内存泄漏排查与优化。指出内存问题分“峰值高”与“只增不减”两类,处理方式迥异。重点剖析图片内存消耗(位图≈宽×高×4字节)、四种典型泄漏形态(监听未解绑、定时器未清、缓存无上限、闭包捕获大对象),提出快照对比五步法,并以图片列表页真实案例演示从定位到修复全过程。强调降采样加载、注册注销配对、缓存LRU淘汰、内存水位降级等实战策略,附八个常见坑与排错表。最后提醒:修完必复测,安全加固是下篇主题。

信息安全领域优质创作者|操作系统领域专家 127

基于双向Buck-Boost电路的锂电池储能充电+放电控制Simulink仿真

内容概要:本文档围绕基于双向Buck-Boost电路的锂电池储能系统展开,详细介绍了其在充电与放电过程中的Simulink仿真设计与实现方法。通过构建双向Buck-Boost电路模型,结合模型预测电流控制与电压下垂控制策略,实现了对锂电池储能系统的高效能量管理与双向功率流动控制。文档提供了完整的仿真模型架构、控制算法设计流程、系统稳定性分析及动态响应性能验证,涵盖了从主电路建模到闭环控制参数整定的关键环节,适用于储能系统中能量双向变换的科研与工程实践。; 适合人群:具备电力电子、自动控制理论及新能源系统基础知识的高校研究生、科研人员以及从事储能系统、微电网、电动汽车等领域技术研发的工程技术人员。; 使用场景及目标:①用于锂电池储能系统的教学实验与科研仿真研究;②支撑微电网、电动汽车、V2G(Vehicle-to-Grid)等应用场景中的能量双向变换与功率调度研究;③深入理解Buck-Boost电路的工作原理及其在实际系统中的先进控制策略实现机制。; 阅读建议:建议在Simulink环境中实际搭建并调试所提供的仿真模型,重点关注控制环路的设计逻辑与参数整定过程,结合文中引用的参考文献深化对系统建模、控制理论与工程应用之间关系的理解。

STM32 FreeRTOS 堆内存管理实测:heap_1~heap_5 策略对比、分配失败根因与碎片水位定标

FreeRTOS 的任务栈、队列、信号量全部从内核堆动态切出,拍脑袋设置不会在编译期报错,而是以"运行数天后任务创建失败、设备离线"的形式暴露。本文基于 STM32F103C8T6 + FreeRTOS 10.6.2,从 heap_1~heap_5 五种策略的源码块结构出发,拆解 best-fit 分配与空闲块合并的实现机制,搭建空闲链 dump、分配配对计数与 DWT 耗时测量三件诊断工具,并对 8~16 KB 五档堆深做碎片率参数扫描。

12 年嵌入式一线固件工程师。只写两种内容:板上量到的真实数据,和照着做就能定位到代码行的排查步骤。主攻 STM32 现场故障、RTOS 与显示驱动。 200

PSIM-三相维也纳VIENNA整流器电压电流双闭环+中点电位平衡SVPWM控制仿真

内容概要:本文档围绕基于PSIM软件实现的三相维也纳(VIENNA)整流器展开,重点研究其电压电流双闭环控制系统与中点电位平衡控制策略。该仿真模型面向高效率、高功率因数的应用场景,详细构建了维也纳整流器的主电路结构及控制架构,涵盖电压外环与电流内环的双闭环PI控制器设计,以确保系统具备优良的动态响应与稳态性能。针对三电平拓扑中存在的中点电压偏移问题,引入空间矢量脉宽调制(SVPWM)技术进行优化调控,有效抑制中点电位波动,提升输出电压质量和系统运行稳定性。文档还配套提供了Mathcad计算书、仿真模型及相关参考资料,便于读者开展参数设计、控制逻辑分析与仿真复现工作。; 适合人群:电力电子、电气工程及其自动化等相关专业的研究生、科研人员,以及从事新能源变换器、工业电源、电动汽车充电设施等领域的研发工程师和技术人员。; 使用场景及目标:①深入理解三相三电平维也纳整流器的工作原理与数学建模方法;②掌握电压电流双闭环控制系统的结构设计与PI参数整定技巧;③学习SVPWM在中点电位平衡控制中的实现机制与调制策略;④为高功率密度PFC整流器、充电桩前端电路、航空航天电源等高端电力电子装置的研发提供仿真验证平台与技术支撑。; 阅读建议:建议结合PSIM仿真环境动手实践,利用所提供的计算书和参考文献,重点剖析双闭环控制环路的动态特性与SVPWM调制逻辑,并通过改变负载条件、输入电压或系统参数等方式测试系统的鲁棒性与控制有效性,进一步深化对控制策略的理解与工程应用能力。

基于透镜天线阵列的毫米波大规模多输入多输出(MIMO)系统可靠波束空间信道估计研究(Matlab代码实现)

内容概要:本文围绕Plecs环境下全桥LLC谐振变换器的仿真模型展开研究,系统阐述了其在电力电子系统中的建模方法、控制策略及动态性能分析。文章详细介绍了LLC谐振变换器的工作原理与典型拓扑结构,基于Plecs仿真平台构建了高精度的系统模型,并对谐振参数设计、软开关实现条件、变频控制策略等关键技术进行了深入的仿真验证。研究进一步探讨了系统在不同负载与输入电压条件下的效率特性、动态响应及稳定性表现,充分展示了LLC变换器在实现高效率、高功率密度电源变换方面的显著优势和应用价值。; 适合人群:具备电力电子与电力系统基础知识,从事开关电源、新能源变换器设计、仿真与控制的研究生、工程师及科研人员。; 使用场景及目标:①作为全桥LLC谐振变换器的仿真教学与科研验证平台;②指导实际工程中LLC变换器的谐振腔参数设计与控制环路优化;③支撑高频高效AC-DC或DC-DC电源系统的开发与综合性能评估。; 阅读建议:建议读者结合Plecs软件动手实践,重点关注谐振参数设计与变频控制环路调试部分,通过对比仿真结果深入理解变换器的软开关实现机理、负载适应性及效率优化方法。

用户态申请内存 vs 内核态申请内存:对系统内存管理的影响

用户态分配的内存与内核态分配的内存,在等方面有本质区别。厘清这一区别,是理解memfdudmabufuserptr、SVM/HMM、dma-buf、CMA、大页等一系列机制的。本文集中论述二者对系统内存管理的影响,并给出典型用例。

图形/计算GPU的驱动与虚拟化技术分享园地 177

微信自动化进阶:Python识别特定消息并自动回复(基于win32api控件操作)

本文详细介绍了如何使用Python和win32api实现微信消息的智能监控与自动回复。通过精准识别聊天记录中的特定关键词,结合多级匹配策略和性能优化技巧,构建稳定高效的自动化回复系统,适用于企业客服、个人助手等场景。

weixin_42663213的博客 441

Java方法学习总结:方法区内存结构总结

本文总结了方法区是JVM规范定义的逻辑区域,用于存储类元数据、常量池等信息,而非固定物理分区。不同JVM实现可采用不同方式:HotSpot JDK 7及以前用永久代,JDK 8后改用元空间,但均满足规范要求。方法区逻辑上属于堆,但物理上可独立于堆内存,其具体实现由JVM自行决定,以适应不同的内存管理策略与操作系统特性。理解方法区的关键在于区分逻辑概念与物理实现。

wuminyu的博客 621

python123题目——判断火车票座位B(异常)

类型:流程控制。

m0_62488776的博客 3569

el-transfer和el-tree进行结合搞一个树形穿梭框

由于业务需求需要在穿梭框里使用树形结构,但是本身element里并不支持,于是参考了别的大佬发的文章作为思路及后续自己新增了一些处理功能。

bbkhhvv的博客 6307

第20讲:处理器下内存管理的发展历程

处理器内存管理历经三阶段演进:实模式下,8086引入分段机制,通过“段基址+偏移量”实现20位寻址,支持程序动态重定位;保护模式中,80386启用GDT与段描述符,实现权限控制(DPL)、地址隔离与虚拟内存调度;最终因段机制导致碎片大、不适应4GB寻址需求,系统转向平坦模式,以页式管理为主。分页机制成为现代内存管理核心,实现高效、安全的虚拟内存管理。

2301_80791727的博客 297

eCognition易康面向对象分类批量选择样本,批量导出shp

可以的,使用这个工具条最右边那个三角尺manual editing toolbar,这是用来直接指定类别的,咱们可以拿它选完以后把指定的类别转成训练样本。另一个好处是,这个选出来的样本可以直接导出成shp,但select sample是不可以的,只能导出TTAMask也就是栅格掩膜。如果要导出shp,要在转之前导出。中间那条有点点的红线就是我的鼠标轨迹,只要碰到的对象就会全部选中,然后一点3的那个按钮就直接全部划分为林地了,十分丝滑。在弹出来的工作条里,首先选择你的类别,比如这里选一个forest。

qq_61845364的博客 4070

UEC++ 基础 04 —— 内存管理, 类型转换, Lambda,Timer

本文系统梳理了虚幻引擎中的内存管理、继承多态、指针转换与Lambda表达式核心机制。重点讲解栈与堆的区别,强调UE的垃圾回收(GC)基于标记-清除算法,仅管理UObject派生类,非UObject对象需用智能指针或手动管理,避免内存泄漏与野指针。继承与多态通过virtual/override实现,析构函数必须虚化。指针转换推荐使用Cast<T>()确保安全,禁用原生static_cast进行UObject向下转型。Lambda表达式用于回调与排序,捕获方式需谨慎,避免生命周期问题。整体强调规范使用,保障性能

whiteStruggle的博客 196

数学建模小白必看:层次分析法(AHP)从入门到实战(附Python代码)

本文详细介绍了层次分析法(AHP)在数学建模竞赛中的应用,从构建判断矩阵到一致性检验,再到权重计算和实战案例。通过Python代码实现,帮助小白快速掌握AHP的核心技巧,解决评价类难题,提升建模效率。

web39explorer的博客 918

通信算法之264: DJI O2 协议物理层逆向工程解析

对于 DroneID,标志之间的间隙由循环前缀 (CP) 填充:每个标志末尾的副本附加在相应标志的开头。有了关于确切标志开始的信息,可以使用 FFT 将标志转移到频域 - 来自时域的 1024 个样本导致频域中的 1024 个子载波。使用比特流的解扰和涡轮解码,并将生成的数据映射到如上的DroneID 结构,通过逆向工程在无人机的固件中找到了它。注意到一些无人机(Mavic 2 和更早的 OcuSync 无人机)不发送第一个标志(标志 1),这导致更短的帧持续时间为 576 µs。//产品型号数字代号。

leegang12的专栏 3946

ARM 内存管理

最早期的计算机,程序是打在卡片上的,CPU 读一张卡片执行一条指令,效率极低。后来有了内存,程序要先加载到内存再执行,也就是 “存储程序” 概念,这才开启了操作系统的发展。1. 单道编程的内存管理2. 多道编程的内存管理:解决 “同时跑多个程序” 的问题为了提升资源利用率,出现了。

qq_52240295的博客 366

SonarQube 完整手册(2026 最新)

摘要: SonarQube是一款静态代码分析(SAST)平台,支持20+语言(如Java/Go/Python),提供Bug、漏洞、代码异味等检测,集成DevOps流水线。其架构包含服务端、扫描器和SonarLint插件。2026年四大版本:免费社区版(基础功能)、开发者版(多分支/PR分析)、企业版(合规治理)、数据中心版(高可用集群)。核心功能包括质量门禁(QualityGate)、密钥泄露检测及六大质量指标。部署推荐Docker+PostgreSQL,扫描支持Maven/CLI方式。

SmallBull的博客 670

《C++深度解构06》手撕 string —— 从底层内存管理到深浅拷贝彻底吃透

本文通过手写C++ string类,深入剖析动态内存管理、深浅拷贝、异常安全及容量控制等核心机制。基于命名空间封装,实现全缺省构造、析构与只读接口,结合reserve动态扩容策略(初始4字节,后续翻倍),确保内存安全与性能优化。重点强调nullptr防护、资源置换安全及静态成员初始化规范,揭示标准库底层逻辑,助力开发者掌握数据结构本质。

huhuiyuan_的博客 517

华为数字化转型之道 方法篇 第五章 视IT为投资,用产品思维管理IT

比较传统信息化和数字化转型下的IT系统特征,我们发现业务环境、IT能力、业务和IT的关系都发生了巨大的变化(见图5-1)从“管理系统”到“作业平台”。企业通常的做法是将线下的文档、流程线上化,IT系统是作为管理系统而存在的。而面向数字化,企业的业务作业、业务运营和决策、团队协同等业务动作已经和IT系统集成,IT系统逐步转变为作业系统。从“功能优先”到“体验优先”,如果要整体完成一项工作往往需要用户在不同系统间切换,费时费力。

沧海之巅的专栏 1095

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

章节11:内存管理

章节1:什么是MLIR章节2:MLIR的引入章节3:MLIR完成一个端到端的流程章节4:编写一个pass章节5:MLIR相关语法章节6:量化相关章节7:训练相关章节8:图优化章节9:理解典型网络与编译器图优化目录系列文章目录文章目录一、Bufferization、LayerGroup和MemAssign二、核心分工:编译期“规划”与运行期“执行”总结Bufferization 的核心动作,是把 IR 里数学意义上的、不可变的 ,转换成物理意义上的、可读写的 (内存缓冲区)。它做出的决策是逻辑层面的:这个

vcvdv123的博客 310

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

上一篇: OutMan——Objective-C中的ARC介绍和block的使用
下一篇: OutMan——C语言中字符串处理函数、内存管理和内存分区
OutMan_Coder
博客等级 码龄11年 4粉丝 15原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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