深入理解java虚拟机(1)------内存区域与内存溢出

在C++领域,关于C++的内存存储,结构等等,有一本书:深度探索C++对象模型,讲解的非常透彻。

而Java确把这一工作交给了虚拟机来处理。

我们首先来看看关于内存的问题。

1.问题:

1)java 的局部变量存在那里,类型怎么存放的?

2)static 变量

3)final 变量

4)method是存放的那里的

5)class类 & 内部类 是如何存放

2.java虚拟机运行时数据区

2.1程序计数器

线程隔离数据,记录当前线程执行的位置。

PC计数器

由于Java虚拟机的多线程,是由线程轮换的方式分配CPU的。所以线程切换后,需要恢复到原来执行的地方

所有线程都需要一块内存来记录这个执行位置,此内存是线程私有的。这块内存称为Program Counter Registers

2.2Java虚拟机栈

这个栈就是我们常见的java 面试题中一般会问 heap & stack 的区别。 这里的stack就是我们说的虚拟机栈。

这个栈是存放每个method执行的时候的局部变量表,动态连接,方法出口等信息。这个栈也是线程私有的。每个方法执行过程,对应

一个栈帧在虚拟机栈的入栈和出栈过程。

局部变量表存放:已知基本类型的变量,对象引用,也就是指向对象的指针,或者句柄,和retuanaddress地址。

栈中可以理解为存放对象的引用,而对象本身存放在堆。

当然64位的double & long会占据2个Slot。其余的数据占据1个。

如果申请的内存不够,就会OOM。

2.3本地方法栈

这个东西同Java虚拟机栈非常类似,这里存放这native方法的一些信息。

2.4Java堆

千呼万唤始出来,对象实例就是存放在这个地方。也是java内存最大的地方。

java所有的线程共享这一块内存。此内存的唯一目的就是存放对象实例。

GC的主要工作就是释放这里不用的内存。

这块区域为所有线程共享。所以android就会有activity或者service在非前台状态下,是否低优先级的情况。

2.5方法区

这块地方存放的就是已经加载的类信息,静态变量,常量等。

String abc = “abc”; 这后面的“abc”就存放在这里。

2.5.2 运行时常量区

java在非编译阶段,也可以是一种常量的形式,比如:

String str = "abc"+"d";

它会生成“abcd”常量在运行时候。

 运行是常量是方法区的一部分。

3.HotStot虚拟机对象探秘

java对象的创建过程分成2步:

1)加载类信息,存放在方法区

2)根据类信息,分配内存存放对象,内存在堆区。

分配内存的常见方式:

1)假设内存在堆区分为2块,一块是已经在使用的,一块是还没有分配的,这样我只要设置一个指针,来区分这两块区域。

当分配新的内存时,移动指针即可。

2)内存区域是不连续的,这样我只能在空闲的内存中,找到一块足够大的内存来分配,这种为空闲列表的方式。

但是,当分配内存时,会有同步的问题。

要么保证分配操作是原子操作,或者就是给每个线程优先分配一小块内存(Thread Local Allocation Buffer)

这个东西在android looper机制的时候,有所体现。

接下来就是对对象进行设置:

对象是那个类的实例,如何才找到对象的元数据信息,对象的hash表,对象的GC分布年龄等。

从程序员的角度看,一个对象在内存中已经创建,但是init的方法还没有执行。对象还没有按照程序员的意愿进行初始化。

3.1 对象的内存布局

在HotStot中,对象的布局可以分为3块:对象头,实例数据,和对其填充。

对象头根据虚拟机的位数,32bit或者64bit。

这部分被以极限的算法,来存储不少的信息。

实例数据部分,存的是真正有效的信息,这部分会存父类的信息和子类的信息。

3.2对象的访问方式

reference 指向的是另一个类的对象,所以它指向的实际是堆中的另一块内存而已。

HotSopt使用的是第二种方式。

5.几个问题的答案

1)java 的局部变量存在那里,类型怎么存放的?

java的局部变量存放在虚拟机栈中的 该线程的栈帧,里面的局部变量表里面。

class对象的引用存放在局部变量表里。对象实例存放在java堆中。对象类型或者类信息存放在方法区。

2)static 变量

也存放在方法区内。

3)final 变量

final只是修饰变量的赋值行为,对变量的内存没有影响。所以有没有final不影响变量的存放位置。

4)method是存放的那里的

方法的内容 也就是code,所有的method都在class类中,或者是类信息,所以存放在方法区内。

5)class类 & 内部类 是如何存放

一个普通的类 & 内部类本质上是一样的,所以就是1)问题中描述的情况。

对象引用句柄或指针,存放在每个线程的局部变量表内。

对象实例存放在java堆中,

对象类加载信息存放在方法区中。

6)一个类的成员属性,它的内存是那块?

类的成员属性,某种意义上和C++/C 里面的全局变量类似。但是JVM其实没有全局变量这样一个概念。

成员属性的对应的内存可以肯定是在堆中,可以肯定成员变量的基本信息是在类信息中的。所以成员属性

的相关内存都在java堆中。

 

参考:

《深入理解Java虚拟机》  周志明

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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。
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