黑马程序员--视频随笔记录--多线程1

------- <a href="http://www.itheima.com" target="blank">android培训</a>、<a href="http://www.itheima.com" target="blank">java培训</a>、期待与您交流! ----------s


关于多线程,首先我们先来理解下“进程”

所谓进程:是一个正在执行中的程序。每一个进程执行都有一个执行顺序,该顺序是一个执行路径,或者叫做一个控制单元。

线程:就是进程中的一个独立的控制单元。线程在控制着进程的执行。


一个进程中至少有一个线程。

创建线程的第一种方法:新建类继承Thread类。

步骤:1.定义类继承Thread。

            2.复写Thread类中的run()方法。

               目的:将自定义代码存储在run()方法中,让线程运行。

            3.调用线程的start方法。

            start()作用:1.启动线程;2.调用run()方法。

多线程特性:随机性。(各种互抢CPU执行权,每一次执行结果都不同。)


为什么要覆盖run()方法?

Thread类用于描述线程,该类就定义了一个功能来存储线程要运行的代码,该存储功能就是run()方法。

线程的状态:(如图)




每一个线程都有自己的专属名称:Thread-编号,编号是从0开始。



第二种创建线程的方法:实现Runnable接口

步骤:

    1.创建类实现Runnable接口

    2. 覆盖Runnable接口中的run()方法

    3.通过Thread类建立线程对象

    4.将Runnable子类对象作为实际参数传递给Thread类的构造函数

    5.调用Thread类的start()方法开启线程并调用Runnable接口子类的run()方法


实现方式和继承方式有什么区别?

     避免了单继承的局限性。


关于线程安全问题之共享数据错误:

原因分析:当多条语句在操作同一个线程共享数据时,一个线程对多条语句只执行了一部分,还没有执行完,另外一个线程参与进来执行,导致共享数据的错误。

解决思路:对多条操作共享数据的语句,只能让一个线程都执行完。在执行过程中,其他线程都不可以参与执行。

解决方法:

       同步代码块。

synchronized(对象)

{

          需要被同步的代码

}




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