ThreadLocal学习笔记

ThreadLocal设计初衷

用于在多线程环境下保证每个线程流水线中所有方法访问的数据不会出现偏差

即不会访问到其它线程中的资源.

 

其实现方法为:

既然要保持线程与线程间数据的隔离,那么将这些只为本线程服务的数据放在以线程为标识的某个容器之中

ThreadLocal的做法是在Thread类中加了一个属性,这个属性为一个map,可以装任何对象,此map的key类型为ThreadLocal.

ThreadLocal主要提供了两个方法,一个为get,一个为set,分别是以ThreadLocal对象本身作为key将一个对象装入当前线程的map或取出

这样同一个ThreadLocal对象在取相应数据时,在不同的线程中取出的是不同对象

 

另类经典应用

在web环境中,每一次请求的处理流程以一个流水线的形式于单个线程中执行,

因此一般web容器以线程池的方式对外提供服务.

由于web服务的这个特性,Hibernate运用ThreadLocal保存Session从而实现了线程级别的事务传递.

 

另外一个例子

由于"同一个ThreadLocal对象在取相应数据时,在不同的线程中取出的是不同对象"

很多人愿意用Filter或Interceptor或BaseAction等方式:

1.在开始处理请求之前将一些线程级共享的数据(session,当前user..)保存到当前线程中去

2.这些ThreadLocal对象为某个类的静态成员

3.这样可以在Dao或Service层中通过它来很方便的获得1中保存的那些引用,从而省略某些参数传递的麻烦

p.1 个人感觉此种各层参数传递时能用传递方式尽量用传递方式比较好

p.2 不过以Aop方式记录日志或加入其它逻辑时如果需要的某些数据并没在target的成员变量里

    也没在所拦截到的方法参数里,这时候用ThreadLocal就比较好解决了

    不知道还有没有其它比较好的方式去解决

 

 

源码解读_thread.threadLocals

每个线程对象有一个成员叫做threadLocals

其类型类为:ThreadLocal.ThreadLocalMap

其访问修饰符为默认,因此只会被同package中的类所访问.或看源码才会发现

 

源码解读_ThreadLocal<T>

每个线程可以拥有多个ThreadLocal对象

每个ThreadLocal以本身作为一个key保存在map(当前线程对象的的threadLocals属性)之中

ThreadLocal为rawType,可以对应着任何类型的对象,将之存放到map(当前线程对象的的threadLocals属性)之中

 

源码解读_threadLocal.get()

ThreadLocal类的本方法用于获取存放于map(前线程对象的的threadLocals属性)中的本ThreadLocal对象所对应的对象.

获取方法为以本ThreadLocal对象为key,在map(前线程对象的的threadLocals属性)中取值.

如果map不存在(当前线程对象的threadLocals属性为null):

  则于此时创建,并将map中本ThredLocal对象为key所对应的那个value置为null

 

源码解读_threadLocal.set(T t)

同get(),以对象本身做为一个key,将t保存到map之中以供get()方法将其返回.

同样,如果map不存在,那么将同get()方法中的那样,新创建一个map赋值给当前Thread对象的theadLocals属性.

 

 

小实验_多线程数据访问_ThreadLocal

package com.test;

 

public class TestThreadLocal {

private static ThreadLocal<String> string = new ThreadLocal<String>();

private static ThreadLocal<Integer> integer = new ThreadLocal<Integer>();

 

public static String getString() {

     return string.get();

}

 

public static Integer getInteger() {

     return integer.get();

}

 

 

public static void setInteger(Integer value) {

     integer.set(value);

}

 

public static void setString(String value) {

     string.set(value);

}

}

 

package com.test;

 

import java.util.Random;

 

public class DoTest {

public static void main(String[] args) {

     Thread[] threads = new Thread[100];

     for(int i=0;i<100;i++){

        threads[i] = new Thread(new MyThread());

     }

     for(int i=0;i<100;i++){

        threads[i].start();

     }

}

}

 

class MyThread implements Runnable{

public void run(){

     Random r = new Random();

     try {

        Thread.sleep(r.nextInt(10));

     } catch (InterruptedException e) {

        e.printStackTrace();

     }

     Integer value = r.nextInt(1000);      

     TestThreadLocal.setString(value.toString());

     TestThreadLocal.setInteger(value);

    

    

     String result =  "Thread_" + value.toString();

        try {

            Thread.sleep(r.nextInt(10));

        } catch (InterruptedException e) {

            e.printStackTrace();

        }

     result += " : " + TestThreadLocal.getString();

        try {

            Thread.sleep(r.nextInt(10));

        } catch (InterruptedException e) {

            e.printStackTrace();

        }

     result += " " + TestThreadLocal.getInteger();

     System.out.println(result);

}  

}

 

 

小实验_多线程数据访问_WithOutThreadLocal

package com.test;

 

import java.util.Random;

 

public class DoTestWithOutThreadLocal {

public static void main(String[] args) {

     Thread[] threads = new Thread[100];

     for(int i=0;i<100;i++){

        threads[i] = new Thread(new MyThreadWithOutThreadLocal());

     }

     for(int i=0;i<100;i++){

        threads[i].start();

     }

}

}

 

class MyThreadWithOutThreadLocal implements Runnable{

public void run(){

     Random r = new Random();

     try {

        Thread.sleep(r.nextInt(10));

     } catch (InterruptedException e) {

        e.printStackTrace();

     }

     Integer value = r.nextInt(1000);

     S.setString(value.toString());

     S.setInteger(value);

    

    

     String result =  "Thread_" + value.toString();

        try {

            Thread.sleep(r.nextInt(10));

        } catch (InterruptedException e) {

            e.printStackTrace();

        }

     result += " : " + S.getString();

        try {

            Thread.sleep(r.nextInt(10));

        } catch (InterruptedException e) {

            e.printStackTrace();

        }

     result += " " + S.getInteger();   

     System.out.println(result);

}

}

 

class S{

static Integer integer;

static String string;

public static String getString() {

     return string;

}

 

public static void setString(String string) {

     S.string = string;

}

 

public static Integer getInteger() {

     return integer;

}

 

public static void setInteger(Integer integer) {

    S.integer = integer;

}

}

 

 

 

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。
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。
【7层】6900平米左右一字型框架办公楼毕业设计(建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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