java虚拟机(1)---JVM虚拟机 内存溢出模拟与分析查看

回想至今,关于java虚拟机的理解并不多。当初安装完jdk配置完环境变量后对这些并没有着重的深入。最对知道一个堆区共享,栈区独立。现在重新开始。做一个系统的学习。学习总结。

大体学习路线为:

  • 内存结构
  • 垃圾回收机制
  • 性能调试工具
  • 性能调优
  • 类的文件结构
  • 类加载机制
  • 字节码执行引擎
  • 虚拟机编译及运行时的优化(早期优化及晚期优化)
  • java的线程

 

学习jvm虚拟机   第一步就要知道什么是虚拟机   了解jdk,jre,jvm三者之间的关系 

通俗来讲,三者就是一个包含关系   jdk包含了jre   jre又包含了jvm

jdk : 是开发人员所使用的,软件开发工具包 提供了java的开发环境与 运行环境(jre)

      第一部分就是Java运行时环境,这其实就是JVM。

      第二部分就是Java的基础类库,这个类库的数量还是非常可观的。

      第三部分就是Java的开发工具,它们都是辅助你更好的使用Java的利器

jre : java运行环境 运行在虚拟机之上 包含了jvm

jvm : java 虚拟机

 

我们来看一下官网给出的定义 :  https://docs.oracle.com/javase/8/docs/

  •  JVM 模拟内存溢出  

写了一个死循环,我们来看内存情况 

       

OutOfMemoryError  内存溢出错误  但是当一个项目过于庞大时  怎么才能看到错误信息?

  • 在Idea中我们可以设置jvm
  • Run  ——> Edit Configurations.. 的 Configuration 中设置 
   -xms20m   -Xmx20m  分配了20M最大空间 ,启动最小空间20M   
   -XX:+HeapDumpOnOutOfMemoryError参数表示当JVM发生OOM时,自动生成DUMP文件。

     

  • 这时的报错信息

    

  • 生成的快照文件默认在你项目的根目录之下

    

快照文件是无法直接看的,我们需要专门的查看工具

下载地址为:http://www.eclipse.org/mat/downloads.php

选择对应的版本,点击 Select Another Mirror 选择最近的镜像地址   最好点击click here 下载

          

 

 

安装完毕之后就可以导入刚才的快照文件进行查看啦   放两张图片

Shallow Heap   代表当前对象的大小,不包含它的引用对象

Retained Heap 表示当前对象的大小加上直接或间接引用对象的大小的总和

 

 

 

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