单例模式

目录

单例模式介绍:

饿汉式单例类:

第一种方法:

第二种:静态内部类(推荐):

懒汉式模式:

第一种方法:线程不安全

第二种方法:懒汉加锁

第三种方式:双重锁/双重检验锁(推荐):

双重加锁也不是很严谨:

应用:


单例模式介绍:

一:定义

保证一个类仅有一个实例,并提供一个访问它的全局访问点。

二:特点

1.单例模式的类只提供私有的构造函数

2.类定义中含有一个该类的静态私有对象

3.该类提供了一个静态的共有的函数用于创建或获取它本身的私有对象

 

饿汉式单例类

在自己被加载时就将自己实例化

第一种方法:

特点:类一加载就实例化的对象,所以要提前占用系统资源。典型的空间换取时间。

不用显示的编写线程安全的代码,它本身是线程安全的。

 public class Singleton
    {
        private static Singleton instance = new Singleton();
        private Singleton()
        {
        }
        public static Singleton getInstance()
        {
            return instance;
        }
    }

第二种:静态内部类(推荐):

这种方式能达到双检锁方式一样的功效,但实现更简单。对静态域使用延迟初始化,应使用这种方式而不是双检锁方式。这种方式只适用于静态域的情况,双检锁方式可在实例域需要延迟初始化时使用。
这种方式同样利用了 classloader 机制来保证初始化 instance 时只有一个线程,它跟第 一种方式不同的是:第 一 种方式只要 Singleton 类被装载了,那么 instance 就会被实例化(没有达到 lazy loading 效果),而这种方式是 Singleton 类被装载了,instance 不一定被初始化。因为 SingletonHolder 类没有被主动使用,只有通过显式调用 getInstance 方法时,才会显式装载 SingletonHolder 类,从而实例化 instance。想象一下,如果实例化 instance 很消耗资源,所以想让它延迟加载,另外一方面,又不希望在 Singleton 类加载时就实例化,因为不能确保 Singleton 类还可能在其他的地方被主动使用从而被加载,那么这个时候实例化 instance 显然是不合适的。这个时候,这种方式相比第一 种方式就显得很合理。

public class Singleton {  
    private static class SingletonHolder {  
    private static final Singleton INSTANCE = new Singleton();  
    }  
    private Singleton (){}  
    public static final Singleton getInstance() {  
    return SingletonHolder.INSTANCE;  
    }  
}

 

懒汉式模式

第一种方法:线程不安全

懒汉模式,有线程安全问题:

在第一次被引用时,才会将自己实例化

特点:面临着多线程访问的安全性问题。

public class Singleton {
    // 懒汉模式-有线程安全问题
    private static Singleton instance;

    private Singleton() {
    }

    public static Singleton getInstance() {
        if (instance == null) {
// 如果多个线程同时进入到这里就会创建多个实例
            instance = new Singleton();
        }
        return instance;
    }

}

测试:

 public static void main(String[] args) {

        Thread t1 = new Thread(new Runnable() {
            @Override
            public void run() {
                Singleton singleton1  = Singleton.getInstance();
                System.out.println(singleton1.hashCode());
            }
        });

        Thread t2 = new Thread(new Runnable() {
            @Override
            public void run() {
                Singleton singleton2 = Singleton.getInstance();
                System.out.println(singleton2.hashCode());
            }
        });

        Thread t3 = new Thread(new Runnable() {
            @Override
            public void run() {
                Singleton singleton3 = Singleton.getInstance();
                System.out.println(singleton3.hashCode());
            }
        });

        Thread t4 = new Thread(new Runnable() {
            @Override
            public void run() {
                Singleton singleton4 = Singleton.getInstance();
                System.out.println(singleton4.hashCode());
            }
        });

        t1.start();
        t2.start();
        t3.start();
        t4.start();
    }

 

第二种方法:懒汉加锁

在getInstance()上面加上synchronized关键字

懒汉线程安全:

第一种办法:在getInstance()上面加上synchronized关键字,但这种方法有很大的缺点,那就是并发效率太低。

 // 懒汉模式-线程安全(并发效率太低)
    private static Singleton instance;

    private Singleton() {
    }

    public static synchronized Singleton GetInstance() {
        if (instance == null) {
            instance = new Singleton();
        }
        return instance;
    }

 

第三种方式:双重锁/双重检验锁(推荐):

getDs()方法中添加了类锁(synchronized (DubbleSingleton.class)),这种锁直接把整个类都锁住了,其它线程访问这个类的任何方法都要排队等候,目的是当第一个线程访问getDs()方法时,它把整个类锁住,然后它把这个类实例化,然后后面的线程进入getDs()方法后一判断发现ds已经不是null了,于是便把第一个线程实例化好的实例返回。这样后续的线程无论并发有多少都没有问题,也不用再排队,直接拿取实例化好的实例即可。

既然这样,为何在synchronized (DubbleSingleton.class)当中再判断一次ds是否为null呢?

synchronized上面不是模拟了一下初始化对象的准备时间吗?这个模拟是很有必要的,当第一个线程进入getDs()方法后,判断了一下df是否为null,发现是null,然后它就进入初始化对象的准备工作中去了,这个过程可能需要几秒钟,注意这时第一个线程还没有执行到synchronized这一行代码,也就是说还没有加上类锁,在这个过程当中假如又有多个线程要调用getDs()方法,它们便可以同时访问这个方法,这些线程判断ds依然是null,因此会进入到if判断里面,这些线程也进入到初始化对象的准备过程,等到第一个线程初始化对象准备完毕之后,它进入到synchronized这块代码处,给整个类加上了锁,这时后续再有线程的话,就要排队等候调用getDs()了。等第一个线程执行完实例化代码之后,刚才那些趁第一个线程没有锁住类的间隙偷偷摸进来的线程便也都进入到synchronized代码处,这些线程会依次锁住类进入到synchronized代码块中,这时如果代码块中不加一层if判断的话,就会再实例化一次DubbleSingleton类并返回,有几个这样偷溜进来的线程便会实例化几次Dubblesingleton实例。除了这些偷溜进来的线程之外,再来访问的线程由于在类外等待第一个线程执行完之后才有机会进入到方法体中,这时ds早已经实例化过了,因此第一个if判断便不成立,于是直接把当前Dubblesingleton实例返回。也就是说,后面的线程便可以高并发了,不用受锁的限制了。而如果在synchronized锁内再加一层判断的话,由于第二个线程进入锁内时,第一个线程肯定已经执行完了(synchronized这时扮演的是类锁),因此这时ds肯定不是null了,第二个线程一判断,发现ds不为null了,便直接把第一个线程实例化好的实例返回了,同理,其它线程也把第一个线程实例化好的实例返回。从而保证了线程安全。
双重检查与懒汉加锁模式最大的区别在于,双重检查加锁只是一瞬间的事儿,后续无论有多少个线程都可以自由访问,没有线程安全问题。而懒汉加锁模式由于每个线程都要排队访问getInstance方法,因此效率太低。这就是他们之间的区别。

public class DubbleSingleton {  
      
    private static DubbleSingleton ds;  
      
    public static DubbleSingleton getDs(){  
        if(ds == null){  
            try {  
                //模拟初始化对象的准备时间...  
                Thread.sleep(3000);  
            } catch (Exception e) {  
                e.printStackTrace();  
            }  
// 给类加锁
            synchronized (DubbleSingleton.class) {  
                if(ds == null){  
                    ds = new DubbleSingleton();  
                }  
            }  
        }  
        return ds;  
    }  

双重加锁也不是很严谨:

博客参考:https://www.jianshu.com/p/1c72a061b40e

public class Singleton {

    // 线程安全的懒汉式单例
    //使用volatile关键字防止重排序,因为 new Instance()是一个非原子操作,可能创建一个不完整的实例
    private static volatile Singleton singleton;

    private Singleton() {
    }

    public static Singleton getSingleton3() {
        // Double-Check idiom
        if (singleton == null) {
            synchronized (Singleton.class) {      
                // 只需在第一次创建实例时才同步
                if (singleton == null) {
                    singleton = new Singleton();     
                }
            }
        }
        return singleton;
    }
}

 

应用:

Windows系统的回收站,任务管理器。只能在电脑上打开一个,不能同时打开2个

网站的计数器

多线程的线程池

应用程序的日志应用:log4j、slf4j、logback

数据库连接池

Java中,运行时类Runtime类:使用的是恶汉模式


 

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 33
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