最近做AIR项目，在CSS用到了自定义中文字体，字体大小有1O多M。在Code和Design View之间切换时，常常感觉速度很慢。
于是在网上找了找使Flex Builder变快的 方法。在这里总结下。
本人电脑使用情况的简介：
经常同时开着Myeclipse 和 Flex Builder 3 两个软件。感觉不用自定义中文字体时，速度还行。但是用上自定义中文字体后，界面和代码的切换，build项目，输出release版本时，Flex Builder 速度明显变慢。
本人的电脑配置：
CPU - Intel T2400 1.83GHz 烤肉一代 RAM - 2*1G 共享显存。平常编编程，如鱼得水。如果有配置相近的，可以参考设置。
优化总结：
1. 关掉 auto build
虽然可以及时的，自动的编译程序，提早的告诉编程人员，哪里有编码错误。但是编译的时候，会花费些时间。而且如果不用自动编译，手动编译或者运行时，也能提示有错误。所以为了提高效率，还是推荐关掉 Build Automatically。
2. 关掉不在使用中的项目或文件
IDE开那么多东西，应该是会吃内存的吧。而且，我有时候会碰上，如果同时开着A和B两个项目。我在做B项目，但是A项目中的错误也会显示在错误提示窗口中。如果A项目和B项目没有关联，岂不是混淆视听。那么关掉A项目，专心B项目，是上选。
选择用Flex Builder而不用Myeclipse + Flex Builder Plugin
的考虑也是，既然Myeclipse里面的插件那么多，运行起来也会占内存。于是就单跑一个Flex
Builder做Flex项目，一个Myeclipse做Java项目。
3. 更新Flex Builder的JRE
更新JRE的考量是，新的应该比旧的好（哈哈，应该是这样吧，虽然我不喜欢VISTA而用XP）。看当前Flex Builder JRE的方式是。
Help -> Product Details -> Configuration Details
会有如下类似的描述
java.runtime.name=Java(TM) SE Runtime Environment
java.runtime.version=1.6.0_07-b06
我是更新过了，到JRE1.6了。但是默认的Flex Builder 3的JRE应该是1.5的。替换方法，就是把Flex Build安装目录下的jre文件夹，换成1.6的jre的文件夹，就行了。操作时，请注意备份啊。
4. FlexBuilder.ini启动选项的优化
在Flex Builder的安装目录下，会有这个文件。打开后，会有一些参数，如
Xms, Xmx, PremSize, MaxPremSize 都是什么意思呢？
在网上找了找，应该是如下的解释，不对请更正啊。
Xms: 软件使用时，RAM需要的最小值
Xmx: 软件使用时，RAM可以用到的最大值
PremSize: 非堆内存初始值
MaxPremSize: 非堆内存最大值
最后这两个，我也弄不大懂是啥意思，不过大概意思是说JVM用到的内存分两种Heap和Non-Heap(非堆）。具体是怎么运作的，可以参考
eclipse.ini内存设置
我的设置，如下，
-vmargs
-Xms512m
-Xmx512m
-XX:MaxPermSize=512m
-XX:PermSize=512m
-XX:+UseParallelGC
-Djava.net.preferIPv4Stack=true
之所以让Xms和Xmx一样，就是让JVM在启动时就一次性的拿到这些内存，不让在使用过程中，发现内存不够再去获取的情况发生。
更改后，Flex Builder的启动速度是变快了。其他的，等我用用发现好处了，再来上报体会。
相关推荐
通过阅读和理解这些代码，你可以深入了解Faster R-CNN的工作原理以及如何在PyTorch中实现它。此外，你还可以根据实际需求调整配置，以适应不同数据集或优化模型性能。总之，掌握Faster R-CNN的PyTorch实现，不仅有助...
相较于之前的方法，如R-CNN和Fast R-CNN，Faster R-CNN不仅速度快，而且精度也有显著提升。 在视频中，讲解者会首先概述Faster R-CNN的整体架构，包括基础的卷积网络（Convolutional Neural Network, CNN）部分，...
**Faster R-CNN 源代码解析** Faster R-CNN（快速区域卷积神经网络）是由Ross Girshick等人在2015年提出的一种目标检测算法，它结合了R-CNN（区域卷积神经网络）和SPP-net（空间金字塔池化网络）的优点，实现了...
总之，"Python-一个简单快速地FasterRCNN实现"项目为你提供了一个在PyTorch中实现Faster R-CNN的起点，让你能够理解和实践目标检测领域的高级技术。通过深入研究项目源代码并调整参数，你可以进一步提升模型的性能，...
通过阅读和理解这些代码，你可以更好地了解Faster R-CNN的实现细节，并根据自己的需求进行调整和优化。 总结来说，Keras实现的Faster R-CNN为开发者提供了一个快速且易于理解的目标检测解决方案。在Windows环境下，...
**Faster R-CNN概述** Faster R-CNN（快速区域卷积神经网络）是由Ross Girshick等人在2015年提出的，它是一种...同时，不断阅读和理解开源代码，结合理论知识，将有助于你快速掌握Faster R-CNN及其TensorFlow实现。
faster rcnn 网络结构图解
在本文中，我们将深入探讨如何在Ubuntu 16.04环境下使用Caffe框架搭建Faster R-CNN。Faster R-CNN是一种流行的...通过按照上述步骤操作，你应该能够在Caffe框架下成功运行Faster R-CNN，并利用其强大的目标检测能力。
本教程将详细介绍如何使用Faster R-CNN进行目标检测，让你轻松上手这一技术。 Faster R-CNN的核心改进在于引入了Region Proposal Network（RPN），这个网络负责生成潜在目标的候选框，大大提高了检测速度。相比于...
** Faster R-CNN与ResNet在Caffe框架下的应用** Faster R-CNN（快速区域卷积神经网络）是目标检测领域的一个里程碑式的工作，由Ross Girshick等人于2015年提出。它引入了区域提议网络（RPN），能够同时进行目标检测...
在实际应用中，使用预训练的ResNet101权重进行迁移学习，可以帮助Faster R-CNN更快地收敛，并且由于ResNet101在大量图像数据上已经进行了充分学习，因此通常能提供更好的特征表示，从而提升目标检测的准确性。...
**Faster R-CNN ResNet-50：深度学习中的目标检测技术** Faster R-CNN（快速区域卷积神经网络）是由Shaoqing Ren、Kaiming He、Ross Girshick和Jian Sun在2015年提出的，它在计算机视觉领域中是一个里程碑式的进展...
**Faster R-CNN在TensorFlow 2.0中的实现** Faster R-CNN是一种流行的深度学习算法，用于目标检测任务。它由Ross Girshick、Kaiming He、Shaoqing Ren和Jian Sun在2015年提出，旨在解决R-CNN（Region-based ...
通过以上步骤，你将在Windows环境中成功搭建faster-RCNN，并可以开始深入研究和应用这个强大的目标检测框架。记得保持对深度学习领域的热情和好奇心，持续学习和实践，你也将成为这个领域的专家。
Faster RCNN 详解 Faster RCNN 是 Ross B. Girshick 在 2016 年提出的目标检测算法，继承了 RCNN 和 Fast RCNN 的优点，并将特征提取、proposal 生成、 bounding box 回归和分类整合到一个网络中，提高了检测速度和...
Faster R-CNN（快速区域卷积神经网络）是一种在计算机视觉领域广泛应用的目标检测算法，由Ross Girshick、Kaiming He、Shaoqing Ren和Jian Sun于2015年提出。该算法在实时性能和检测精度上都取得了显著的进步，尤其...
《Faster R-CNN：深度学习中的目标检测技术详解》 在计算机视觉领域，目标检测是至关重要的一环，它涉及到识别图像中特定对象的位置和类别。Faster R-CNN（快速区域卷积神经网络）是一种高效且准确的目标检测算法，...
Faster R-CNN在目标检测领域的广泛应用催生了更多变体，如Mask R-CNN（增加了实例分割功能）、YOLO系列（追求更快的检测速度）和最近的DETR等。这些发展都源自Faster R-CNN的基本思想，不断推动着目标检测技术的进步...
《深度学习中的Faster R-CNN源码解析》 Faster R-CNN，全称“Fast Region-based Convolutional Neural Network”，是由Ross Girshick等人在2015年提出的一种目标检测算法，它在R-CNN（Region-based Convolutional ...
《深度学习目标检测技术：Faster R-CNN详解与代码实现》 在计算机视觉领域，目标检测是一项核心任务，它旨在识别图像中的特定对象并精确框定其位置。Faster R-CNN（快速区域卷积神经网络）是目标检测算法中的里程碑...