Java多线程编程-(12)-单例模式几种写法的错与对

Java多线程编程-(11)-面试常客ThreadLocal出现OOM内存溢出的场景和原理分析

一、背景知识

在所有的主流23中设计模式中,单例模式作为最简单也最容易理解也是使用最普遍的设计模式,他是一种对象创建模式,用于产生一个对象的具体实例,他可以确保系统中一个类只产生一个实例。

单例模式的优点如下:

1、对于频繁创建的对象,可以省去new的操作锁花费的时间,对于一些重量级的对象创建来说可以说是一笔开销的节省;

2、由于new的次数变少了,系统内存的使用频率也会降低,这也减轻了GC的压力,缩短了GC停顿的时间,这是因为GC收集的时候去阻塞程序的执行。

为什么会在多线程这里说道单利模式那?这是因为在多线程情况下不正确的使用单利模式会造成整个程序的错误执行,因此单利模式我们也应该坐下来细细研究一下!

网上流传着“单利模式的七种写法”这里我也做了一下整理,放在了码云,有需要的可以自取,地址为:https://gitee.com/xuliugen/codes/91478ndt3kxhp2muivr5o61

单利模式的七种写法主要是:懒汉模式线程不安全、懒汉模式线程安全、饿汉模式、变种的饿汉模式、双重校验锁DCL、静态内部类、枚举类型。

下边主要分析一下:饿汉模式、懒汉模式线程安全、双重校验锁DCL、静态内部类四种,其他几种大致类似,不在赘述。

二、饿汉模式

饿汉模式代码如下:

作为单利模式,有以下几点要求:

1、实例对象必须是private,并且是static的,是private是可以保证安全性,是static是因为第三行代码是static的方法,所以该变量也必须是static的;

2、构造方法必须是私有的,这样的话就可以避免其他任意调用的情况,也就是上述代码的第二行;

3、第三行代码,是公有的、静态的这样的话可以直接通过Singleton .getInstance() 进行调用;

这种方式很简单,性能在多线程情况下也很好,但是有一个问题,继续看下边的代码:

但是我们要注意:在第一段代码中我们生命了一个static变量,在第二段代码中调用了该变量,但是执行的结果确调用了构造方法,我们知道单利模式只有在第一次调用获取实例instance的时候,才可以调用私有的构造方法的,那么这里我们没有任何的代码调用getInstance()方法,很显然无法精确地控制instance创建的精确时间,如果代码如上所示的话,也是一种错误的方法。

看似简答的设计模式,如果不正确的使用,很难很精确的控制到我们想要的结果,有人要说了,既然这样我们以后不再“饿汉模式”代码里使用static变量不就OK了!是的,是可以,但是如果我们使用“懒汉模式线程安全”的方式就可以很好的控制instance的创建时间,不会出现上述的调用static变量就创建了实例。

三、懒汉模式线程安全

懒汉模式线程安全代码如下:

可以看出,只要我们不调用getInstance() 方法,就不会常见instance,就可以很好的保证了第一次调用的时候创建对象。

四、双重校验锁DCL

这里为什么提出双重校验锁DCL这种方式,是因为很多人都认为双重校验锁DCL是一种非常丑陋、复杂的方法,不信看一下代码:

怎么说哪?代码量确实比较多,并且难以理解,为什么使用volatile ,以及为什么是两次判空,这些都很难理解,并且在一些低版本的JDK还不能够保证执行的正确性,所以代码中也不推荐大家用,但作为一种思想还是有必要研究一下!

有兴趣的可参考:

Java多线程编程-(2)-可重入锁以及Synchronized的其他基本特性

Java多线程编程-(3)-从一个错误的双重校验锁代码谈一下volatile关键字

五、静态内部类

静态内部类可以说是集成了上述代码的所有优点,也是特意推荐的一种,代码如下:

简单分析一下:

1、可以实现延迟加载的功能,只有在调用getInstance()的方法才会创建单例对象,并且是通过类加载器机制保证值创建一个单例对象;

2、对于Java类加载机制来说,当第一次访问类的静态字段的时候,会触发类加载,并且同一个类只加载一次。静态内部类也是如此,只会被加载一次,类加载过程由类加载器负责加锁,从而保证线程安全。

3、代码简单明了,值得信赖!

注:查看源代码请点击阅读原文,PC端效果更佳!


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
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