[JVM]类加载机制

Java类的三种状态:
SOURCE 源码状态(静态)
CLASS 二进制字节码文件状态(静态)
RUNTIME 运行时状态(加载到JVM的状态)
运行时验证是否是类文件
magic number(魔数) 文件头
验证版本号(本地环境JDK1.8编译class,服务器JDK1.7)

Java类加载器:
1.Java类加载器基于三个机制:委托、可见性和单一性
委托机制:将加载一个类的请求交给父类加载器,如果父类加载器不能找到加载这个类,那么再由当前加载器加载.
可见性:子类的加载器可以看见所有的父类加载器加载的类,而父类加载器看不到子类加载器加载的类.
单一性:只加载一个类一次,由委托机制确保子类加载器不会再次加载父类加载器加载过的类.
2.什么是类加载器
类加载器是用来加载类文件的类.java源代码通过javac编译器编译成类文件,然后JVM执行类文件中的字节码来执行程序.有三种默认使用的类加载器:Bootstrap类加载器、Extension类加载器和System类加载器(Application类加载器).
Bootstrap类加载器:加载JRE/lib/rt.jar中的JDK类文件,它是所有类加载器的父加载器,没有任何父加载器.被称为初始类加载器.
Extension类加载器:现将加载类的请求委托给父加载器Bootstrap类加载器,如果没有成功加载的话,再从/jre/lib/ext目录下或者java.ext.dirs系统属性定义的目录下加载类.
System类加载器:(又叫做Application类加载器),从classpath环境变量中加载某些应用相关的类,classpath环境变量通常由-classpath环境变量或-cp命令行选项来定义,或者是JAR中的Manifest的classpath属性.Application类加载器是Extension类加载器的子加载器.
3.类加载器的工作原理
委托机制:假如需要加载一个类,首先加载这个类的请求由Application类加载器委托给它的父加载器Extension类加载器,然后在委托给Bootstrap类加载器.Bootstrap类加载会先在rt.jar中查看有没有这个类,如果没有这个类,则将请求返回到Extension类加载器,然后在/jre/lib/ext目录下查看有没有这个类,如果有将被Extension类加载器加载,则Application类加载器就不会再加载这个类.如果没有这个类,再由Application类加载器从classpath中寻找,classpath定义的是类文件的加载目录.
可见性机制:子类加载器可以看到父类加载器加载过的类,父类加载器则看不到子类加载器中的类,当一个类已经被Application类加载器加载过之后,再用其他加载器加载这个类就会报ClassNotFoundException异常.
单一性机制:父类加载器加载过的类不能被子类加载器加载第二次.

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。 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。 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,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