垃圾收集器和杂七杂八

由于jdk版本处在高速迭代中,java有多种版本的收集器,比如serial收集器,ParNew收集器,cms收集器,G1收集器.

串行回收与并行回收:

 串行回收就是同一时间只能有一个线程操作

 并行回收就是同一时间有多个线程同时操作,但即使是并行回收,也仅是最大限度减少stop-the-world的时间.

Serial收集器:

单线程,分为Serial新生代收集器和Serial老年代,Serial新生代采用复制算法,Serial老年代采用标记-整理算法.

ParNew收集器:

多线程,只工作在新生代,使用复制算法.

CMS收集器:

多线程可以划分为4个阶段初始阶段,并发阶段,再次标记阶段,并发清除阶段.

初始阶段:使用根搜索算法,stop-the-world,找到可达的目标对象.

并发阶段:标记不可达的为垃圾对象.

再次标记阶段:由于上一阶段与程序运行是同步的,所以不保证此时该对象关系不变,所以stop-the-world,再次标记.

并发清除:清除垃圾对象.

使用的是标记-清除算法,所以容易产生碎片化,不能使用指针碰撞,只能使用空闲列表进行内存分配.

G1收集器:

将java堆分为2048个独立块,每一块物理上不一定是连续的,在垃圾回收时,仅扫描块内存较大的,从而避免了全局扫面,减少了stop-the-world的时间.

Serial收集器效率一定比ParNew低吗:

如果是单核cpu,未必,因为线程的切换需要时间.

内存分配的方法:指针碰撞(针对连续空间,比如采用标记-整理,用一个头指针指向下一个可用空间),空闲列表(针对不连续空间,比如采用标记-清除)

新生代gc非常频繁,优先考虑速度,并且新生代空间较小,所以采用复制算法,而老年代占据空间较大,gx不频繁,采用复制算法代价太大,一般采用整理算法.

逃逸分析和栈上分配:

当一个对象定义在方法的内部,那么访问权限限制在方法内部,如果外部方法访问,就发生了逃逸。定义在类的内部可以分配内存在java栈上,避免了gc消耗,随着方法的执行而创建,随着方法的结束而销毁空间.

client方法:

初始化类中的类变量,使用用户指定值覆盖掉jvm在准备阶段为其设置的值.(比如private static int i=10;)

三种引用类型:类类型,数组类型,接口类型.

四种引用类型:强引用,弱引用,软引用,虚引用.

(上面这两个我也是醉了...)



 


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