干货知识点—多线程同步【3】之Exchanger

继续总结多线程同步常用的方法或者类,之前介绍了CountDownLatch和CyclicBarriar,这次介绍一个保证两个线程同步的类Exchanger。

Exchanger–交换机

Exchanger的一个特别典型的应用场景是:
一个线程负责一直对某种表或某类数据进行数据库的读取或写入,并不对数据进行处理,也就是说它只和数据的读取和写入打交道,并对缓冲区进行读写操作;而另一个线程,负责从缓冲区中读取数据,然后处理后生成一种新的表或数据,最后将处理的数据写回到缓冲区,而它不负责数据库的读取或写入数据。那么这两个线程可以借助Exchanger来互相配合,达到利用各自长处的目的。

1、Exchanger的定义

Exchanger是JDK1.5中新增加的工具类,用于两个工作线程之间进行安全的交换数据。首先我们来看看官方的api文档中的叙述

A synchronization point at which threads can pair and swap elements within pairs. Each thread presents some object on entry to the exchange method, matches with a partner thread, and receives its partner’s object on return. An Exchanger may be viewed as a bidirectional form of a SynchronousQueue. Exchangers may be useful in applications such as genetic algorithms and pipeline designs.

Exchanger可以在两个线程之间交换数据而且只能是两个线程,他不支持更多的线程之间互换数据。
当线程A调用Exchange对象的exchange()方法后,它会陷入阻塞状态,直到线程B也调用了Exchange对象exchange()方法,然后线程A和B以线程安全的方式交换数据,之后两个线程继续运行。

2、基本元素和常用方法

这个类提供对外的接口非常简洁,一个无参构造函数,两个重载的范型exchange方法。

● public Exchanger();

创建一个新的Exchanger。

● public V exchange(V x) throws InterruptedException

除非当前线程被中断,否则一直等待另一个线程到达这个交换点,然后将交换的数据 x传输给它,并收到另一个线程传过来的数据。

● public V exchange(V x, long timeout, TimeUnit unit) throws InterruptedException, TimeoutException

除非当前线程被中断或者当前线程等待的时间超过了timeout,否则一直等待另一个线程到达这个交换点,然后将交换的数据x传输给它,并收到另一个线程传过来的数据。如果另一个线程已经在使用exchange进行等待,则两个线程立即进行数据交换;如果另一个线程没有处于exchange等待状态,则当前线程不可用,进入等待状态,进入休眠,直到以下有事件发生,一些别的线程调用了exchange方法,或者将当前线程中断,或者等待的时间超时。

3、演示代码

public class TestExchanger {
public static void main(String[] args) {
final Exchanger<String> exchanger = new Exchanger<String>();
Thread thread1 = new Thread(new Runnable() {
@Override
public void run()
{
String data1 = "123";
@Override
public void run()
{
try {
System.out.println(Thread.currentThread().getName() +"交换出去的数据为:"+ data1);
Thread.sleep((long) (Math.random()*1000));
String data2 = (String) exchanger.exchange(data1);
System.out.println(Thread.currentThread().getName() + "接收到新数据:"+ data2);
} catch (InterruptedException e) {
e.printStackTrace();
}
}
}
});
thread1.start();
Thread thread2 = new Thread(new Runnable() {
String data1 = "456";
@Override
public void run()
{
try {
System.out.println(Thread.currentThread().getName() +"交换出去的数据为:"+ data1);
Thread.sleep((long) (Math.random()*1000));
String data2 = (String) exchanger.exchange(data1);
System.out.println(Thread.currentThread().getName() + "接收到新数据:"+ data2);
} catch (InterruptedException e) {
e.printStackTrace();
}
}
});
thread2.start();
}
}

执行结果如下所示:

thread-1交换出去的数据为:123

thread-2交换出去的数据为:456

thread-2接收到新数据:123

thread-1接收到新数据:456

4、总结

当一个线程到达exchange调用点时,如果它的伙伴线程此前已经调用了此方法,那么它的伙伴会被调度唤醒并与之进行对象交换,然后各自返回。如果它的伙伴还没到达交换点,那么当前线程将会被挂起,直至伙伴线程到达——完成交换正常返回;或者当前线程被中断——抛出中断异常;又或者是等候超时——抛出超时异常。
此类使用的情况很简单,容易理解,但是使用场景并不是很常见,本司机在实际开发过程还没有用到过。

这里写图片描述

本公众号将以推送Android各种技术干货或碎片化知识,以及整理老司机日常工作中踩过的坑涉及到的经验知识为主,也会不定期将正在学习使用的新技术总结出来进行分享。每天一点干货小知识把你的碎片时间充分利用起来。

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