JAVA GC 总结

概念:

Minor GC:新生代的垃圾收集

Full GC:老年代的垃圾收集,通常伴随Minor GC(非绝对)

Full GC 通常比Minor GC慢10倍以上

===========================================================================

一、判定对象是否存活

1.1.引用计数算法

实现简单,无法解决循环引用问题,几乎不被使用。

1.2.根搜索算法

从"GC Roots"向下搜索,当"GC Roots"到某对象不可达时,判定这个对象可以回收。

"GC Roots"包括:

1.2.1栈中的对象

1.2.2方法区中类静态属性

1.2.3方法区中的常量

1.2.4JNI引用的对象

二、引用类型

2.1.强引用(Strong Ref)

通常意义下我们认为的引用。

2.2.软引用(Soft Ref)

内存不足时会被释放,若还是不够才抛出异常。

见SoftReference类。

2.3.弱引用(Weak Ref)

弱引用不能阻止gc回收它,因此它指向的对象随时可能因为(这个对象的其他强引用被消除)而为null。

见WeakReference和WeakHashMap类。

在Hadoop源码中可以看到WeakHashMap的应用。

2.4.虚引用(Phantom Ref)

甚至不能通过这个引用来获得对象(总是返回null),这个引用会在该对象finalize之后,被回收之前被加入ReferenceQueue中。

        ReferenceQueue<T> q = new ReferenceQueue<T>();
        T t = new T();
        Reference<T> p = new PhantomReference<T>(t, q);
        System.out.println(p.isEnqueued());
        t = null;
        System.gc();
        System.out.println(p.isEnqueued());
输出:

false

true

===============================

应用不多....

三、垃圾回收算法

3.1.标记-清除(Mark-Sweep)

先标记,后清除,容易产生内存碎片。

一般用于老年代。

3.2.复制(Copying)

把内存分成两块,只用一块。回收时把存活的复制到另一块上,然后把使用过的内存空间一次清理掉。

现代虚拟机的Eden-Survivor正是基于这种算法。

一般用于年轻代。

3.3.标记-压缩(Mark-Compact)

和Mark-Sweep相似,不同之处在于清除前把所有内存压缩成连续的一块,解决内存碎片的问题。

一般用于老年代。

四、垃圾收集器

4.1 年轻代垃圾收集器

4.1.1 Serial

串行收集器,stop-the-world,用户体验差。Java程序中的Client模式默认使用。

4.1.2 ParNew

Serial的多线程版本,适用于多cpu。仍然stop-the-world

4.1.3 Parallel Scavenge

多线程收集器,目标是达到一个可控制的吞吐量。

-XX:MaxGCPauseMillis 尽力保证一次GC时间不超过该值,调小会降低新生代大小,同时增加GC频率。

-XX:GCTimeTatio 设置GC占总时间百分比t取值为1~99,GC百分比=1/(1+t)。即GC百分比范围是1%~50%。

-XX:+UseAdaptiveSizePolicy 虚拟机动态调节Xmn,SurvivorRatio,PretenureSizeThreshold参数。

4.2 老年代垃圾收集器

4.2.1 Serial Old

Serial 的老年代版本,Client模式默认使用。

4.2.2 Parallel Old

通常与Parallel Scavenge结合使用,实现年轻代和老年代可控吞吐量。

4.2.3 CMS(Concurrent Mark Sweep)

步骤

a.初始标记(initial mark):标记"GC Roots"直接关联的对象,stop-the-world。

b.并发标记(concurrent mark):标记所有对象,和用户线程并发执行。

c.重新标记(remark):修正(并发标记过程正中)用户程序动作产生的变动,stop-the-world。

d.并发清除(concurrent sweep):清除被标记的对象

缺陷:

a.由于是并发程序,对cpu资源敏感,可能导致用户程序变慢。

b.由于并发清除时用户程序在运行,此时产生的垃圾无法清除。在这个过程中,若产生大量垃圾导致老年代充满,将出现(Concurrent Mode Falure),导致调用Serial Old重新清理而产生Full GC。

c.产生内存碎片

可用参数

-XX:+UseCMSCompactAtFullCollection 在Full GC后进行碎片整理,会导致GC时间变长。

-XX:CMSFullGCsBeforeCompaction:执行几个不带压缩的,再来一次带压缩的。


下一篇分析JDK1.7下Serial + Serial Old 的垃圾回收

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