java之类加载

讲反射之前我们先讲下JVM和类:

在代码编译后,就会生成JVM(JAVA虚拟机)能够识别的二进制字节流文件(*.class)。而JVM把Class文件中的数据从文件加载到内存,并对数据进行校验,转换解析,初始化,使这些数据最终成为可以被JVM直接使用的JAVA类型,这过程就是JVM的类加载机制。

Java的执行过程就是JVM从启动到退出的过程。当调用java命令来运行某个java程序时,该命令将会启动一个JVM进程。同一个JVM中的所有线程,变量都处于同一个进程中,共享该JVM的内存区域。

当出现以下情况时,JVM会退出:

1. 程序正常执行结束。

2. 使用System.exit(0)方法。

3. 出现异常时,没有捕获异常。

4. 平台强制结束JVM进程。

JVM进程一旦结束,该进程中内存中的数据将会丢失。


当程序主动使用到某个类时,如果该类还未被加载进内存中,则系统会通过加载,连接,初始化三个步骤来对该类进行初始化



注:Class是什么呢?

这里C大写了,与类概念区分开,在java里,Class是一个实实在在的类,在包java.lang下,有这样一个Class.java文件,它跟我们自己定义的类一样,而Class对象就是这个Class类的实例。Class类是一个用来表示类的类。可以为它创建实例,也就是本文后面提到的Class对象,也叫作Class实例。

(1)类的加载

类加载时指将类的class文件(字节码文件)载入内存中,并为之创建一个java.lang.Class对象,我们称之为字节码对象。

类的加载过程由类加载器(Classloader)完成,类加载器通常由JVM提供,我们称之为系统类加载器,我们也可以继承Classloader类来提供自定义的类加载器。

不同的类加载器可以实现加载本地字节码文件,jar包中的字节码,通过网络加载字节码等。

(2)类的连接

当类被加载进内存之后,系统为之产生一个对应的Class对象,接着把类的二进制数据合并到jre中。

1)验证:检验被加载的类是否有正确的内部结构

2)准备:负责为类的static变量分配内存,并设置默认值

3)解析:把类的二进制数据中的符号引用替换为直接饮用(深入分析JVM)

(3)类的初始化

在此阶段,JVM负责对类进行初始化,主要就是对static变量进行初始化

1)如果该类还未被加载和连接,则程序先加载并连接该类

2)如果该类的直接父类还未被初始化,则先初始化其父类

3)如果类中有初始化语句(静态代码块),则系统依次执行这些初始化语句

例:

class Demo{

        static int age;

        static int num = 10;

        static{

                age = 0;

        }

}


从上文中我们得知我们是使用Class类来描述类这种对象。




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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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