JVM:编译加载机制与自定义类加载器

编译机制

编译主要是把.java文件转换为.class文件。其中转换后的.class文件就包含了元数据,方法信息等一些信息。

比如说元数据就包含了java文件中声明的常量,也就是我们所说的常量池。


类加载机制

jvm是通过一个称为ClassLoader的东西来加载clss文件,每当jvm启动的时候,就会产生三个ClassLoader,

他们分别是Bootstrap loader,ExtClassLoader, AppClassLoader。


BootStrao Loader :他所加载的都是JVM中最底层的类

ExtClassLoader:用于加载java的一些库

AppClassLoader: 他主要由java.class.path来指定


工作过程:如果一个类加载器受到了类加载的请求,他首先不会自己尝试去加载这个类,而是把这个请求委派给

父类加载器去完成,每一个层次的类加载都是如此,因此所有的加载请求最终都应该传送到顶层的启动类加载器中,

只有当父类加载器反馈自己无法加载这个加载请求的时候,子加载器才会尝试自己去加载。


那么,在加载完class文件之后,ClassLoader如何将class文件变成一个java类的?

在ClassLoader中有一个非常重要的方法叫findclass()方法,他接受要加载的类作为它的参数,

在该方法中会找到class文件并且读取文件中的内容到一个byte数组,然后再调用另外一个方法:defineClass(),

该方法能够把byte数组中的内容转化为一个相应的Class Objec。


委托机制,指先委托父转载器寻找类目标,只有在找不到的情况下才能从自己的类路径中查找并装载类,这一点是

从安全角度考虑的,试想如果有人编写了一个恶意的基础类,比如String类,但是有了全盘负责委托机制,String

类永远是有根装载器装载,这样就避免了事件的发生,另外我们经常遇到的NoSuchMethodError的错误往往就是因为

加载了不同版本的包造成的。


自定义类加载器

默认的类加载器只知道如何从本地加载类,如果我们的程序只是在本机跑的话,一般来说默认加载器可以应付

但是如果我们需要加载远程服务器的类,或者说加载网上的,不是本机上的类的时候,就需要用到自定义类加载器


实现方式:

自定义类加载器可以选择继承ClassLoader类,重写里面的方法来实现。里面有三个重要的方法,一个是loadClass()

方法,一个是findClass方法,一个是defineClass方法;

对于loadClass(String name,Boolean resolve)方法:不推荐重写,因为loadClass()方法做的工作主要为

实现双亲委托模型,我们重写的话可能会破坏该模型,并且也增加自己的开发难度。

对于defineclass(String name,byte[] b,int off, int len)方法,主要用于将原始字节转换为class对象,也不需要重写。

对于findClass(String name)方法,根据名称来查找类。把。class文件的内容放到一个byte[]数组中,供

defineClass()方法使用。一般我们就重写这个方法。在这个方法中,我们重新定义从哪里,怎么样读取

        文件内容。这样我们就可以把从本机上改为从网络上得到类,从而实现自定义类加载器。

总而言之:

1.继承ClassLoader类

2重写findClass(String name)方法。在这个方法里面我们重新定义从哪里,怎么样读取文件内容到byte[]

数组中,供defineClass使用

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