Scala Actor

scala的Actor类似于java中的多线程编程,scala中的Actor尽可能的避免锁和共享状态,从而避免多线程并发时出现资源争夺的情况,进而提升多线程编程的性能。
spark中使用的分布式多线程框架为Akka,核心是actor。

1. actor的创建、启动和消息收发

scala提供了Actor trait用于多线程编程,类似于java中的Thread和Runnable,通过实现Actor trait的act方法,即可实现线程执行体。
使用start()启动actor;使用!向actor发送消息;actor内部使用receive和模式匹配接收消息。

import scala.actors.Actor
object Score extends App {
  class HelloActor extends Actor{
    def act(): Unit ={
      while(true){
        receive{
          case name: String => println(name)
        }
      }
    }
  }
  val helloActor = new HelloActor
  helloActor.start()
  helloActor !"leo"

}

2.收发case class 类型的消息

scala的actor模型与java模型之间的一个区别是,scala actor支持线程间的通信,即一个actor可以给另一个actor发送消息。
要给一个actor发送消息使用actor ! message 的语法。在scala中,通常使用case class 作为消息的传递,在actor中使用模式匹配的不同消息做不同处理

import scala.actors.Actor
object Score extends App {
  case class Login(username: String, password: String)
  case class Register(username: String, password: String)
  class UserManageActor extends Actor{
    def act(): Unit ={
      while(true){
        receive{
          case Login(username, password)=>println("login,username: "+ username)
          case Register(username, password) => println("register ")

        }
      }
    }
  }

  val userManageActor = new UserManageActor
  userManageActor.start()
  userManageActor ! Register("cys","123")
  userManageActor ! Login("joe","123")
} 

3.Actor之间互相收发消息

一个actor向另一个actor发送消息时,同时带上自己的引用;其他actor收到自己的消息时,直接通过发送消息的actor引用,即可回复消息。

  case class Message(content: String,sender: Actor)
  class cysTelephoneActor extends Actor{
    def act(): Unit ={
      while (true){
        receive{
          case Message(content, sender) => println("cys: "+ content);sender ! "wait 5 seconds"
        }
      }
    }
  }

  class joeActor(val cysActor: Actor) extends Actor{
    def act: Unit ={
      cysActor ! Message("Hello, joe, I'm cys.", this)
      receive{
        case response: String => println("joe: " + response)
      }
    }
  }

  val cysActor = new cysTelephoneActor
  cysActor.start()
  val joeActor = new joeActor(cysActor)
  joeActor.start()

4. 同步消息和Future

默认情况下消息是异步的,但如果希望发送的消息是同步的,即对方接收消息后一定要返回结果,那么可以使用!? 发送消息。
即val reply = actor !? message

如果要发送异步消息,但后续要接收消息返回值使用 !! 。val fulture = actor !! message;val replay = future()

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