第三章:并发编程-对象的组合

本章介绍如何设计线程安全的类


设计线程安全的类

在设计一个线程安全的类的过程中,需要包含以下三个基本要素:

1.找出构成对象状态的所有变量

2.找出约束状态变量的不变性条件

3.建立对象状态的并发访问管理策略。


基于java监视器模式的线程安全计数器

public final class Counter {
	
	private long value = 0;
	
	public synchronized long get(){
		return value;
	}

	public synchronized long increment(){
		return ++value;
	}
}

通过封闭机制来确保线程安全

public class PersonSet {

	private final Set<Person> mySet = new HashSet<>();
	
	public synchronized void addPerson(Person p){
		mySet.add(p);
	}
	
	public synchronized boolean containPerson(Person p){
		return mySet.contains(p);
	}
	
	class Person {

	}}

实例封闭是构建线程安全的一个最简单方式,它使得在锁策略的选择上拥有了更多的灵活性。

在java平台类库终还有很多线程封闭的实例,其中有些类的唯一用途就是将非线程安全的类转化成线程安全的类,一些基本的容器类并非线程安全的,例如ArrayList和HashMap,但是类库提供了包装器工厂方法,使得这些非线程安全的类可以在多线程环境中安全地使用。这些工厂方法通过装饰器模式,将容器类封装在一个同步的包装器对象中,而包装器对象拥有对底层容器唯一引用,那么它是线程安全的。


基于监视器模式的车辆追踪:

public class MutablePoint {
	
	public int x;
	public int y;
	
	public MutablePoint(MutablePoint loc) {
		this.x = loc.x;
		this.y = loc.y;
	}
	
	public MutablePoint(){
		this.x = 0;
		this.y = 0;
	}

}
public class MonitorVehicleTracker {
	
	private final Map<String, MutablePoint> locations;
	
	public MonitorVehicleTracker(Map<String, MutablePoint> locations){
		this.locations = deepCopy(locations);
	}

	private Map<String, MutablePoint> deepCopy(Map<String, MutablePoint> locations) {
		Map<String, MutablePoint> result = new HashMap<>();
		for(String id : locations.keySet()){
			result.put(id, new MutablePoint(locations.get(id)));
		}
		return Collections.unmodifiableMap(result);
	}
	
	public synchronized Map<String, MutablePoint> getLocations(){
		return deepCopy(this.locations);
	}

	public synchronized MutablePoint getLocations(String id){
		MutablePoint loc = locations.get(id);
		return loc == null ? null : new MutablePoint(loc);
	}
	
	public synchronized void setLocations(String id,int x,int y) throws Exception{
		MutablePoint loc = locations.get(id);
		if(loc == null){
			throw new Exception("No such Id : "+id);
		}
		loc.x = x;
		loc.y = y;
	}
	
}

虽然追踪器类是线程安全的,但是车辆容器非常大的情况下将极大地降低性能。

改造成基于委托的车辆追踪器

public class DelegatingVehicleTracker {
	
	private final ConcurrentMap<String, Point> locations;
	
	private final Map<String , Point> unModifiableMap;
	
	public DelegatingVehicleTracker(Map<String , Point> points){
		this.locations = new ConcurrentHashMap<String,Point>(points);
		this.unModifiableMap = Collections.unmodifiableMap(locations);
	}
	
	public Map<String, Point> getLocations(){
		return unModifiableMap;
	}
	
	public Point getLocation(String id){
		return locations.get(id);
	}

	public void setLocation(String id,int x,int y){
		if(locations.replace(id, new Point(x, y)) == null){
			throw new IllegalArgumentException("Invalid vehicle name : "+id);
		}
	}
	
	/**
	 * 不可变point
	 * @author c_dingxuehua-001
	 *
	 */
	class Point {
		
		public final int x, y;

		public Point(int x, int y) {
			this.x = x;
			this.y = y;
		}
		
	}


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