转自:http://blog.sina.com.cn/s/blog_74bf41030101225d.html
GCD 概述
原文:http://janedoneway.iteye.com/blog/1403299
1. GCD 包含于 libSystem.dylib
2. 可供所有程序使用.
- #include <dispatch/dispatch.h>
3. GCD API 提供 block-based and function-based variants
- 目前仅提供 block-based API
GCD总结
1. Blocks
- dispatch_async()
2. Queues
- Lightweight list of blocks
- Enqueue/dequeue is FIFO
3. dispatch_get_main_queue()
- Main thread/main runloop
4. dispatch_queue_create()
- Automatic helper thread
GCD的好处
1. 高效 - More CPU cycles available for your code
2. 使用方便
- Blocks are easy to use
- Queues are inherently producer/consumer
3. Systemwide perspective
- Only the OS can balance unrelated subsystems
兼容性
1. Existing threading and synchronization primitives are 100% compatible
2. GCD threads are wrapped POSIX threads
- Do not cancel, exit, kill, join, or detach GCD threads
3. GCD reuses threads
- Restore any per-thread state changed within a block
多线程
Session 206已提到此内容。
锁定资源
1. 对关键资源进行互斥访问。
2. 在线程中按序访问共享资源。
3. Ensure data integrity
没有GCD的代码
- (void)updateImageCacheWithImg:(UIImage*)img {
NSLock *l = self.imageCacheLock;
[l lock];
// Critical section
if ([self.imageCache containsObj:img]) {
[l unlock]; // Don't forget to unlock
return;
}
[self.imageCache addObj:img];
[l unlock];
}
GCD代码
- (void)updateImageCacheWithImg:(NSImage*)img {
dispatch_queue_t queue = self.imageCacheQueue;
dispatch_sync(queue, ^{ //You can change dispatch_sync to dispatch_async to defer critical section
// Critical section
if ([self.imageCache containsObj:img]) {
return;
}
[self.imageCache addObj:img];
});
}
线程间通信
通过以下方法 (Without GCD)
– performSelectorOnMainThread:withObject:waitUntilDone:
– performSelector:onThread:withObject:waitUntilDone:
– performSelector:withObject:afterDelay:
– performSelectorInBackground:withObject:
GCD 代码,等同于 performSelector:onThread:withObject:waitUntilDone:
// waitUntilDone: NO
dispatch_async(queue, ^{
[myObject doSomething:foo withData:bar];
});
// waitUntilDone: YES
dispatch_sync(queue, ^{
[myObject doSomething:foo withData:bar];
});
GCD代码, 等同于 performSelector:withObject:afterDelay:dispatch_time_t delay;delay = dispatch_time(DISPATCH_TIME_NOW, 50000 );dispatch_after(delay, queue, ^{ [myObject doSomething:foo withData:bar];});GCD代码,等同于 performSelectorInBackground:withObject:dispatch_queue_t queue = dispatch_get_global_queue(0, 0);dispatch_async(queue, ^{ [myObject doSomething:foo withData:bar];});
Global Queues1. Enqueue/dequeue is FIFO
2. Concurrent execution- Non-FIFO completion order
3. dispatch_get_global_queue(priority, 0)
4. Global queues map GCD activity to real threads 5. Priority bands- DISPATCH_QUEUE_PRIORITY_HIGH - DISPATCH_QUEUE_PRIORITY_DEFAULT - DISPATCH_QUEUE_PRIORITY_LOW
下面三节讲述了很多内容,但我还没有理解。如有兴趣,请看原始视频。- Dispatch Sources
- Source Cancellation- Target Queues
GCD对象
GCD方法大全
管理对象的生命周期
1. Ensure objects captured by blocks are valid when blocks are executed
- Objects must be retained and released around asynchronous operations
2. Objective-C objects captured by blocks are auto-retained and auto-released
3. Other objects captured by blocks must be retained by your code
- CFRetain()/CFRelease()
- dispatch_retain()/dispatch_release()
挂起和恢复
1. Suspend and resume only affects queues and sources you create
- Sources are created suspended
2. Suspension is asynchronous
- Takes effect between blocks
3. Your queues can predictably suspend objects that target them
程序上下文
1. Applications can attach custom data to GCD objects
- dispatch_set_context()/dispatch_get_context()
2. Optional finalizer callback
- dispatch_set_finalizer_f()
- Allows attached context to be freed with object
- Called on the target queue of the object
WWDC2010 Session211 Simplifying iPhone App Development with Grand Central Dispatch
Daniel Steffen - Core OS
相关推荐
PyTorch作为当今最流行的深度学习框架之一,提供了丰富的工具和灵活性,使得Grad-CAM的实现变得相对容易。本文将深入探讨Grad-CAM的工作原理、PyTorch中的实现方式以及如何通过这一技术来可视化和解释模型的决策过程...
5. **可视化**:使用matplotlib或其他可视化库,绘制Grad-CAM热力图,与原始图像对比,观察是否合理。 在调试时,你可以用不同的输入图像和目标类别测试代码,看看Grad-CAM的输出是否符合预期。如果输出不符合预期...
Swin-Transformer+gradcam可视化代码+Windows环境
Grad-CAM(Gradient-weighted Class Activation Mapping)是一种可视化网络中哪些区域对分类结果有更大的贡献的方法,它能够在图像分类任务中帮助我们理解神经网络是如何作出决策的。Grad-CAM 通过利用深度卷积神经...
具体来说,Grad-CAM计算每个卷积层特征映射对于目标类别的梯度,并使用这些梯度来权重各个特征映射,然后通过平均得到一个全局的加权激活图,这便是Grad-CAM。 **PyTorch中的实现步骤** 1. **获取梯度信息**:首先...
Grad-CAM是一种可视化工具,通过突出显示输入图像中对模型决策起关键作用的区域来提供解释。它基于梯度权重来生成热力图,指示哪些区域对模型的预测影响最大。 在本文中,作者将Grad-CAM集成到YOLO模型中,目的是为...
Grad-CAM-张量流 注意:CNN还有另一种很棒的可视化方法,称为 ,它仅涉及前向通过。 演示代码可用于Caffe和Tensorflow ResNet,Vgg。 请检查一下。 这是用于Grad-CAM的演示的tensorflow版本。 我使用ResNet-v1-101...
刘彬20000词汇思维导图
Grad-CAM.pytorch pytorch 实现 和 3.1 3.3 5.1 5.2 5.3 5.4 6.1 6.2 6.3 6.4 7.1 7.2 7.3 7.4 Grad-CAM整体架构 Grad-CAM++与Grad-CAM的异同 依赖 python 3.6.x pytoch 1.0.1+ torchvision 0.2.2 ...
pytorch实现Grad-CAM和Grad-CAM++,可以可视化任意分类网络的Class Activation Map (CAM)图,包括自定义的网络;同时也实现了目标检测faster r-cnn和retinanet两个网络的CAM图; 使用方法 python main.py --image-path ...
纯代码布局,MVC设计模式。数据神马的,自己去搞吧。我写了一个本地的plist文件,运行即可看出数据结构。都是按照接口的样式写的,如果需求也是这样的小伙伴,加上数据解析,代码直接就可以用!...
在Pytorch中实现Grad-CAM 是什么使网络认为图像标签是“ pug,pug-dog”和“ tabby,虎斑猫”: 将Grad-CAM与引导反向传播相结合的“ pug,pug-dog”类别: 梯度类激活图是用于深度学习网络的可视化技术。 参见...
特征图可视化-GradCAM
pytorch-Grad-CAM-热度图制作掩膜-对原图进行剪裁
Tensorflow中的Grad-CAM实施此回购协议是Gradient类激活图(Grad-CAM [1])的TensorFlow实现,这是深度学习网络的可视化技术之一。 此仓库基于Grad-CAM的和版本。要求Python3.x Tensorflow 1.x (包括经过预训练的...
它允许使用多种方法(例如,反向引导传播,Grad-Cam,Guide Grad-Cam和Grad-Cam ++)生成注意力图。 您需要添加到项目中的只是一行代码: model = gcam . inject ( model , output_dir = "attention_maps" , save_...
总结起来,Grad-CAM是一个强大的工具,它促进了深度学习模型的可解释性和透明度,对于研究和开发更加可靠、可理解的人工智能系统具有深远影响。通过阅读论文和翻译文档,我们可以深入探究其背后的数学原理和实际应用...
可视化神经网络-Grad CAM
**Grad-CAM与PyTorch实现** Grad-CAM(Gradient-weighted Class Activation Mapping)是一种可视化技术,用于解释深度学习模型的决策过程。它通过利用梯度信息来定位图像中的关键区域,这些区域对于模型的分类决策...
Grad-CAM 这是文本分类模型的实现。 使用的模型是用于文本分类的 1D-CNN,在 . 使用的数据是重新精炼的版本,其重新标记以进行二元分类。 输入功能是 word2vec 的精简版。 它特别需要 python>=3, tensorflow>=1.4,...