iOS学习之路:ARC内存清理&缓存清理&效率优化

简介:

最近项目中遇到了很多关于内存泄露和缓存清理的问题,尤其是ARC这块内存什么时候释放,以及UIWebview的缓存清理,消耗了很多时间,特别做个总结:

1. 关于ARC内存释放猜想

我们都知道在ARC机制下,我们不需要手动管理内存,例如Autorelease和release等函数都不能调用,系统会自动为我们释放,我们需要做的,仅仅是把指针设置成nil就可以了,如果需要,再把相应的view remove掉就可以了。但是在实际代码过程中,会发现申请的指针在这个函数体执行完毕之后并没有把内存释放掉。在网上搜索了好久也没有什么好的解释。先说下具体的例子吧。

例如有个函数a,作用是生成一张图片,那在函数体里面我们需要new一个指针出来,指向生成的图片,UIImageView* img = [UIImage alloc]init ... 具体就不写了,在函数即将结束的时候,我们将img = nil。到此实际就完成了ARC所要求的用户操作了。但是我们debug时会发现,这快内存并没有实时释放掉。每当我们调用一下函数a,内存就会增大一部分。似乎是系统将我们生成的指针丢在了某块内存池中,但是这个池子什么时候释放掉,是系统说了算的,所以当函数执行完的时候,内存并没有被释放。

那如果解决呢?

我们申请一个全局指针,在整个程序的生命周期都存在,这样每当我们调用函数a的时候,就把这个全局指针指向生成的图片。这样就不会造成每次都要new一块内存出来而释放不掉的问题了。

2. UIWebView缓存清理

项目中要显示很多webview,但是当我们切换web的内容是,发现以前的缓存并没有释放掉,于是就会出现每加载一遍,内存就蹦很多的情况。在网上搜了下解决办法。

最简单的一种是每次在申请之前让webview load一个空的URL:

webView loadHTMLString:NULL baseURL:NULL;

但是这种方法似乎不能完全清理缓存,于是在stackoverflow上搜到了正确的解决办法:http://stackoverflow.com/questions/2523435/how-to-clear-uiwebview-cache

if (lastReq){
    [[NSURLCache sharedURLCache] removeCachedResponseForRequest:lastReq];
    [[NSURLCache sharedURLCache] removeAllCachedResponses];

}

lastReq=[NSMutableURLRequest requestWithURL:[NSURL URLWithString:localUrl]
                                   cachePolicy:NSURLRequestReloadIgnoringCacheData
                               timeoutInterval:10000];
[lastReq setCachePolicy:NSURLRequestReloadIgnoringLocalCacheData];

[self.mainWebView loadRequest:lastReq];
其实给URLRequest设置一个cachePolicy,然后在申请新的web页面时,调用removeAllCacheResponse就可以了。

3. 优化效率

之前在做一个图片的指定颜色替换算法时,经过大师指点,其实已经把效率提高了好几倍,但是后来又站在汇编的角度上,更进一步地把算法优化提升了5,6倍。

优化前的算法:

if ([titles containsObject:areaName]) {
            areaPt.x = [[dic objectForKey:@"x"] floatValue];
            areaPt.y = [[dic objectForKey:@"y"] floatValue];
            areaSize.width = [[dic objectForKey:@"width"] floatValue];
            areaSize.height = [[dic objectForKey:@"height"] floatValue];
            areaColor = [dic objectForKey:@"color"];
            
            TheColor d;
            const CGFloat *componentsForAreaColor = CGColorGetComponents([self getColor:areaColor].CGColor);
            d.R = componentsForAreaColor[0] * 255.0;// components[0]*alpha
            d.G = componentsForAreaColor[1] * 255.0;
            d.B = componentsForAreaColor[2] * 255.0;
            
            endPtX = areaPt.x + areaSize.width;
            endPtY = areaPt.y + areaSize.height;
            
            // change color in (x,y, width,height)
            colColor = [colors objectAtIndex:[titles indexOfObject:areaName]];
            const CGFloat *components = CGColorGetComponents(colColor.CGColor);
            for (unsigned int i=areaPt.y; i<endPtY; i++) {
                for (unsigned int j=areaPt.x; j<endPtX; j++) {
                    index = 4*j + 4*i*imageMap.size.width;//每个像素由四个分量组成所以要乘以4
                    c.R = rawData[index];
                    c.G = rawData[index+1];
                    c.B = rawData[index+2];
                    
                    if ((c.R == d.R)&&(c.G == d.G)&&(c.B == d.B)) {
                        c.R = components[0] * 255.0;// components[0]*alpha
                        c.G = components[1] * 255.0;
                        c.B = components[2] * 255.0;
                        rawData[index] = c.R;
                        rawData[index+1] = c.G;
                        rawData[index+2] = c.B;
                    }
                }
            }
        }

优化后的算法:

if ([titles containsObject:areaName]) {
            areaPt.x = [[dic objectForKey:@"x"] floatValue];
            areaPt.y = [[dic objectForKey:@"y"] floatValue];
            areaSize.width = [[dic objectForKey:@"width"] floatValue];
            areaSize.height = [[dic objectForKey:@"height"] floatValue];
            areaColor = [dic objectForKey:@"color"];

            endPtX = areaPt.x + areaSize.width;
            endPtY = areaPt.y + areaSize.height;
            //用来查找地图区域的颜色
            const CGFloat *componentsForAreaColor = CGColorGetComponents([self getColor:areaColor].CGColor);
            oldColor = 255;
            oldColor = oldColor*256 + (unsigned char)(componentsForAreaColor[2]*255.0);
            oldColor = oldColor*256 + (unsigned char)(componentsForAreaColor[1]*255.0);
            oldColor = oldColor*256 + (unsigned char)(componentsForAreaColor[0]*255.0);
            //要更新成的颜色
            colColor = [colors objectAtIndex:[titles indexOfObject:areaName]];
            const CGFloat *components = CGColorGetComponents(colColor.CGColor);
            newColor = 255;
            newColor = newColor*256 + (unsigned char)(components[2]*255.0);
            newColor = newColor*256 + (unsigned char)(components[1]*255.0);
            newColor = newColor*256 + (unsigned char)(components[0]*255.0);
            
            for (unsigned int i=areaPt.y; i<endPtY; i++) {
                for (unsigned int j=areaPt.x; j<endPtX; j++) {
                    index = j + i*width;
                    if (rawData[index] == oldColor)
                        rawData[index] = newColor;
                }
            }
        }

原先是直接通过color.R/G/B值对比,需要取3次,并且在对比时,也需要进行&&的判断,这些在汇编中其实是好几行机器代码在执行,所以,改成优化后的算法,其实是比原先快了5,6倍的。直接从1.9秒提高到了0.3秒左右。


目录
相关文章
|
机器学习/深度学习 算法 PyTorch
125_训练加速:FlashAttention集成 - 推导注意力优化的独特内存节省
2025年,大型语言模型的训练面临着前所未有的挑战。随着模型参数量和序列长度的不断增加,传统注意力机制的内存瓶颈问题日益突出。FlashAttention作为一种突破性的注意力算法,通过创新的内存访问模式和计算优化,显著提升了训练效率和内存利用。
1095 3
|
存储 机器学习/深度学习 PyTorch
119_LLM训练的高效内存管理与优化技术:从ZeRO到Flash Attention
大型语言模型(LLM)的训练面临着前所未有的计算和内存挑战。随着模型规模达到数百亿甚至数千亿参数,高效的内存管理成为训练成功的关键因素之一。2025年,LLM训练的内存优化技术已经取得了显著进展,从ZeRO优化器到Flash Attention等创新技术,为训练超大规模模型提供了可能。
1032 159
|
缓存 固态存储 Windows
如何让内存发挥到最大效能?全面优化指南,提升电脑运行体验
电脑内存使用不合理会导致卡顿,本文教你如何优化内存性能。检查内存容量与主板支持上限,考虑升级或调整配置;关闭后台程序、管理浏览器标签、结束异常进程以释放内存;设置虚拟内存、调整视觉效果、定期重启提升效率;必要时增加内存条、选择高频内存、更换固态硬盘。避免盲目清理内存和依赖大内存忽视其他硬件瓶颈。只需合理设置,无需额外花钱,就能显著提升电脑速度。
|
存储 人工智能 自然语言处理
AI代理内存消耗过大?9种优化策略对比分析
在AI代理系统中,多代理协作虽能提升整体准确性,但真正决定性能的关键因素之一是**内存管理**。随着对话深度和长度的增加,内存消耗呈指数级增长,主要源于历史上下文、工具调用记录、数据库查询结果等组件的持续积累。本文深入探讨了从基础到高级的九种内存优化技术,涵盖顺序存储、滑动窗口、摘要型内存、基于检索的系统、内存增强变换器、分层优化、图形化记忆网络、压缩整合策略以及类操作系统内存管理。通过统一框架下的代码实现与性能评估,分析了每种技术的适用场景与局限性,为构建高效、可扩展的AI代理系统提供了系统性的优化路径和技术参考。
1030 4
AI代理内存消耗过大?9种优化策略对比分析
|
缓存 监控 Linux
Linux系统清理缓存(buff/cache)的有效方法。
总结而言,在大多数情形下你不必担心Linux中buffer与cache占用过多内存在影响到其他程序运行;因为当程序请求更多内存在没有足够可用资源时,Linux会自行调整其占有量。只有当你明确知道当前环境与需求并希望立即回收这部分资源给即将运行重负载任务之前才考虑上述方法去主动干预。
2735 10
|
存储 缓存 监控
手动清除Ubuntu系统中的内存缓存的步骤
此外,只有系统管理员或具有适当权限的用户才能执行这些命令,因为这涉及到系统级的操作。普通用户尝试执行这些操作会因权限不足而失败。
2366 22
|
缓存 监控 Cloud Native
Java Solon v3.2.0 高并发与低内存实战指南之解决方案优化
本文深入解析了Java Solon v3.2.0框架的实战应用,聚焦高并发与低内存消耗场景。通过响应式编程、云原生支持、内存优化等特性,结合API网关、数据库操作及分布式缓存实例,展示其在秒杀系统中的性能优势。文章还提供了Docker部署、监控方案及实际效果数据,助力开发者构建高效稳定的应用系统。代码示例详尽,适合希望提升系统性能的Java开发者参考。
726 4
Java Solon v3.2.0 高并发与低内存实战指南之解决方案优化
|
存储 自然语言处理 算法
基于内存高效算法的 LLM Token 优化:一个有效降低 API 成本的技术方案
本文探讨了在构建对话系统时如何通过一种内存高效算法降低大语言模型(LLM)的Token消耗和运营成本。传统方法中,随着对话深度增加,Token消耗呈指数级增长,导致成本上升。
1504 7
基于内存高效算法的 LLM Token 优化:一个有效降低 API 成本的技术方案
|
存储 人工智能 API
AI代理性能提升实战:LangChain+LangGraph内存管理与上下文优化完整指南
在AI代理系统开发中,上下文工程成为提升系统性能的关键技术。本文探讨了从提示工程到上下文工程的转变,强调其通过为AI系统提供背景信息和工具支持,显著提升智能化程度和实用价值。文章系统分析了上下文工程的理论基础、核心策略(如写入、选择、压缩和隔离),并结合LangChain和LangGraph工具,展示了如何实现上下文工程技术以优化AI代理性能。通过Scratchpad机制、内存管理、RAG系统集成、多代理架构及沙盒环境等技术手段,开发者可以更高效地构建高性能、可扩展的AI系统。
1782 0
AI代理性能提升实战:LangChain+LangGraph内存管理与上下文优化完整指南
|
边缘计算 算法 Java
Java 绿色计算与性能优化:从内存管理到能耗降低的全方位优化策略与实践技巧
本文探讨了Java绿色计算与性能优化的技术方案和应用实例。文章从JVM调优(包括垃圾回收器选择、内存管理和并发优化)、代码优化(数据结构选择、对象创建和I/O操作优化)等方面提出优化策略,并结合电商平台、社交平台和智能工厂的实际案例,展示了通过Java新特性提升性能、降低能耗的显著效果。最终指出,综合运用这些优化方法不仅能提高系统性能,还能实现绿色计算目标,为企业节省成本并符合环保要求。
425 0