第二章:java内存区域与内存溢出异常

1.目的

  最近在学习<<深入理解Java虚拟机>>一书,特整理成学习笔记。

2.概要

  对于java而言,我们在编码的时候不需要显式的编码分配内存和回收内存,可以节约我们大量的时间去关注业务。但是不需要显式的编码,并不意味着我们不需要去了解其中的原理,如果不了解的话,我们在进行编码的时候可能无法选择更加高效正确的实现方法,从而影响系统的性能。譬如当我们选择一个技术方法的时候,该技术方法会导致内存中产生巨量的对象,容易导致fgc,那么我们就需要更改技术方案,从而实现系统的高可用性。
  本文是针对于java的内存区域的学习笔记

3.运行时数据区域

  java虚拟机将所管理的内存区域划分为若干个不同的区域,方便进行管理,每个区域都有自己特定的用途。

  1. 程序计数器
      程序计数器是一块很小的空间,它可以作为当前线程所执行的字节码的行号指示器,在任何一个确定的时刻,一个处理器都只会执行一个线程的指令,为了保证线程切换的过程中,能够正确返回刚才该方法执行位置,我们需要标记该方法当前执行的行数.

  2. java虚拟机栈
      虚拟机栈描述的是java方法执行的内存模型,每个方法在执行的同时都会存储一个栈帧用于存储局部变量表、操作数栈、动态链接等信息,方法的执行到结束其实对应的是一个栈帧入栈和出栈的过程。

  3. 本地方法栈
      本地方法栈和虚拟机栈的作用是一致的,只是它管理的本地方法。

  4. Java堆
      对于大多数应用来说,Java堆是最大的一块内存区域,被所有的线程共享,几乎所有的对象实例都分配在该区域。
      java堆是内存回收的主要区域。
  5. 方法区
      方法区同样是线程共享区域,用于存储已经被虚拟机加载的类的信息、常量、静态变量、即时编译的代码等。
      在jdk8之前方法区都用永久代来实现,使用永久代实现的时候如果不指定大小的话,那么默认为64M,如果加载过多的类的话,就会报OOM错误,对于metaspace来实现的话,默认为本地的剩余内存大小。
  6. 直接内存
      直接内存同样不受到Java堆大小的限制,直接分配的是本地内存,我们在编码的时候,如果分配大量直接内存同样会导致OOM。

4.内存溢出

  java的内存区域依附于本地内存,因此一定会受到限制。接下来我们需要认识到每一个区域都会产生什么样的异常?从而在发生问题时方便排查。
  对于程序计数器由于是一个行号计数器,内存占用量极小,因此并没有定义OOM。对于虚拟机栈,我们前面说到方法的执行和结束分别对应的是栈帧的入栈和出栈,因此如果方法的调用链路过长,就会导致栈内存不够用,导致StackOverFlow,如果有太多线程,同时入栈,导致栈内存不够用的话,就会抛出OOM,而默认的栈内存大小为1M,我们可以根据自己的需求进行调节。对于java堆而言如果我们定义了大量的对象,并且无法被回收,就会导致OOM。对于方法区如果我们加载了过多的类信息或者字符串就会导致OOM。而对于直接内存,虽然不因为我们设置的堆内存大小限制,但是因为限制于本地内存大小,同样如果超过了本机内存的大小会抛出OOM异常。

5.总结

  本文分析了Java内存各个区域的作用以及各个区域可能抛出的异常,我们初步了解了java内存机制。下一篇文章,我们将分析java内存是如何进行回收,以及回收可能遇到的问题以及在编码的时候如何避免FGC。

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