[网络和多线程]8、GCD的其他用法

本文介绍了GCD在iOS开发中的高级应用,包括延时执行、一次性代码执行及队列组同步操作等内容。通过具体示例展示了如何利用GCD实现图片下载、合并等任务。
8、GCD的其他用法
          【网络多线程】
--------------------------------------------------------------------------------------------------------------

延时执行

1、利用performSeltctor:withObject:afterDelay:方法

/**

 *  延时执行任务

 *

 *  @param aSelector  需要延时执行的任务

 *  @param anArgument 传递给任务的参数

 *  @param delay      延时的时间

 */

- (void)performSelector:(SEL)aSelector withObject:(nullable id)anArgument afterDelay:(NSTimeInterval)delay;


这个方法不能确定任务所在的线程,一般带延迟的任务和当前所在的任务属于同一个线
 程。例如downLoadPicFromNet方法和self处于同一个线程下面
 

2、利用GCD的方法

/**

 *  延时执行

 *

 *  @param when  什么时间执行

 *  @param queue 任务添加到那个队列

 *  @param block 待延时的任务block

 */

void dispatch_after(dispatch_time_t when, dispatch_queue_t queue, dispatch_block_t block);


// 任务添加到主队列

dispatch_after(dispatch_time(DISPATCH_TIME_NOW, (int64_t)(2 * NSEC_PER_SEC)), dispatch_get_main_queue(), ^{

    [self downLoadPicFromNet];

});


// 任务添加到全局队列

dispatch_after(dispatch_time(DISPATCH_TIME_NOW, (int64_t)(2 * NSEC_PER_SEC)),

               dispatch_get_global_queue(DISPATCH_QUEUE_PRIORITY_DEFAULT, 0), ^{

    [self downLoadPicFromNet];

});



一次性代码

保证某段代码在整个程序运行中只执行一次,这样的代码叫一次性代码,GCD提供了
一次性代码的方法 dispatch_once

/**

 *  一次性代码

 *

 *  @param predicate 一次性执行标记,用于判断一次性代码块是否执行过

 *  @param block     一次性代码块

 */

void dispatch_once(dispatch_once_t *predicate, dispatch_block_t block);


[示例]

static dispatch_once_t onceToken;

dispatch_once(&onceToken, ^{

    NSLog(@"dispatch once code ");

});




队列组

GCD中提供了队列组的方法来执行任务的同步操作

需求:
1、需要分别异步执行2个耗时操作
2、等待2个异步操作都执行完毕后再回到主线程执行其他

解决:
如果需要快速的解决上述的需求,那么使用队列组。


// 触摸后开始下载图片,开启两条子线程下载两张图片,等下载完成到主线程合成并刷新UI显示到屏幕

-(void)touchesBegan:(NSSet<UITouch *> *)touches withEvent:(UIEvent *)event

{

    // 1.创建队列组

    dispatch_group_t group = dispatch_group_create();

    

    // 2.创建任务下载图片

    dispatch_group_async(group, dispatch_get_global_queue(DISPATCH_QUEUE_PRIORITY_DEFAULT, 0), ^{

        // 下载一个图片

        NSString *url = @"http://i6.topit.me/6/5d/45/1131907198420455d6o.jpg";

        image1 = [self getimageWithURLString:url];

    });

    

    

    __block UIImage *image2 = nil;

    dispatch_group_async(group, dispatch_get_global_queue(DISPATCH_QUEUE_PRIORITY_DEFAULT, 0), ^{

        // 下载一个图片

        NSString *url = @"http://pic1a.nipic.com/2008-12-04/2008124215522671_2.jpg";

        image2 = [self getimageWithURLString:url];

    });

    

    // 3、两张都下载完毕后执行合成

    dispatch_group_notify(group, dispatch_get_main_queue(), ^{

        // 两个图片下载完成后回到主线程执行 ----- 合并

        

        // 开启图片上下文

        UIGraphicsBeginImageContextWithOptions(self.view.bounds.sizeNO, 0);

        

        [image1 drawInRect:CGRectMake(0, 0, self.view.bounds.size.width

self.view.bounds.size.height * 0.5)];

        [image2 drawInRect:CGRectMake(0, self.view.bounds.size.height * 0.5, 

self.view.bounds.size.widthself.view.bounds.size.height * 0.5)];

        self.imageView.image = UIGraphicsGetImageFromCurrentImageContext();

        

        UIGraphicsEndImageContext();

    });

}


--------------------------------------------------------------------------------------------------------------
本文旨在系统阐述利用MATLAB平台执行多模态语音分离任务的方法,重点围绕LRS3数据集的数据生成流程展开。LRS3(长时RGB+音频语音数据集)作为一个规模庞大的视频与音频集合,整合了丰富的视觉与听觉信息,适用于语音识别、语音分离及情感分析等多种研究场景。MATLAB凭借其高效的数值计算能力与完备的编程环境,成为处理此类多模态任务的适宜工具。 多模态语音分离的核心在于综合利用视觉与听觉等多种输入信息来解析语音信号。具体而言,该任务的目标是从混合音频中分离出不同说话人的声音,并借助视频中的唇部运动信息作为辅助线索。LRS3数据集包含大量同步的视频与音频片段,提供RGB视频、单声道音频及对应的文本转录,为多模态语音处理算法的开发与评估提供了重要平台。其高质量与大容量使其成为该领域的关键资源。 在相关资源包中,主要包含以下两部分内容: 1. 说明文档:该文件详细阐述了项目的整体结构、代码运行方式、预期结果以及可能遇到的问题与解决方案。在进行数据处理或模型训练前,仔细阅读此文档对正确理解与操作代码至关重要。 2. 专用于语音分离任务的LRS3数据集版本:解压后可获得原始的视频、音频及转录文件,这些数据将由MATLAB脚本读取并用于生成后续训练与测试所需的数据。 基于MATLAB的多模态语音分离通常遵循以下步骤: 1. 数据预处理:从LRS3数据集中提取每段视频的音频特征与视觉特征。音频特征可包括梅尔频率倒谱系数、感知线性预测系数等;视觉特征则涉及唇部运动的检测与关键点定位。 2. 特征融合:将提取的音频特征与视觉特征相结合,构建多模态表示。融合方式可采用简单拼接、加权融合或基于深度学习模型的复杂方法。 3. 模型构建:设计并实现用于语音分离的模型。传统方法可采用自适应滤波器或矩阵分解,而深度学习方法如U-Net、Transformer等在多模态学习中表现优异。 4. 训练与优化:使用预处理后的数据对模型进行训练,并通过交叉验证与超参数调整来优化模型性能。 5. 评估与应用:采用信号失真比、信号干扰比及信号伪影比等标准指标评估模型性能。若结果满足要求,该模型可进一步应用于实际语音分离任务。 借助MATLAB强大的矩阵运算功能与信号处理工具箱,上述步骤得以有效实施。需注意的是,多模态任务常需大量计算资源,处理大规模数据集时可能需要对代码进行优化或借助GPU加速。所提供的MATLAB脚本为多模态语音分离研究奠定了基础,通过深入理解与运用这些脚本,研究者可更扎实地掌握语音分离的原理,从而提升其在实用场景中的性能表现。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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