深入理解JVM(三) JVM的内存分配与回收策略

1.JVM中堆内存的分代管理(<1.8版本)

JVM的对象实例存放在堆内存中,根据对象存活时间不同分成了不同的代来进行管理。

为什么要分成不同的代呢? 

因为有相当一部分存活时间较短的对象很快就会被回收,而另外一些使用时间较长,如果将它们放到同一个区域,每次回收都需要对所有的对象进行遍历,浪费的时间较多。将它们根据存活时间不同分为不同的区,方便根据不同的需要使用不同的回收算法,提高回收效率。

根据对象生命周期不同,其在堆内存中分为三个区:

Young Generation新生代,存放新创建的对象,对象生命周期非常短,几乎用完可以立即回收,包括 Eden区和Survivor 0 Space和 Survivor 1 Space。

Tenured Generation 新生代多次(默认为15次)回收后存活下来的对象将被移到 tenured 区,也叫老年代。

Perm Generation永久代,主要存加载的类信息,生命周期长,几乎不会被回收。

其结构图如下

2.对象分代处理流程

(1)对象优先被创建在Eden区,若Eden区内存不足,则触发一次Minor GC(或称Young GC),将生命周期结束的对象回收掉,剩余的部分放入Survivor 区。

    堆内存的大小可以通过参数来设计:

-Xms设置堆的初始大小
-Xmx设置堆的最大扩展大小
-Xmn新生代的大小(乘余为老年代)
-     XX:SurvivorRatioEden区与Survivor区的比例,默认为8

(2)大对象直接进入老年代。

参数-XX:PretenureSizeShreshold 设置直接进入老年代的大小门槛, 超过这个值的对象直接进入老年代。

 

(3)进入S0、S1区的对象,在循环一定次数(默认为15次)后仍存活的对象,进入老年代。

    这个时候要老年代空间分配担保, 如果老年代空间不足,则会触发Full GC。

    这里有两个概念需要解释一下:动态对象年龄判定 和 空间分配担保

    动态对象年龄判定

    参数-XX:MaxTtenuringShreshold设置进入老年代的年龄门槛,年龄超过这个值的对象进入老年代。

     为了能更好地适应不同程序的内存状态,虚拟机并不是永远地要求对象的年龄必须达到了MaxTtenuringShreshold才能晋升老年代,如果在Survivor 空间中相同年龄所有对象大小的总和大于Survivor空间的一半,年龄大于或等于该年龄的对象就可以直接进入老年代,无须等到MaxTtenuringShreshold要求的年龄。

    例如:如果MaxTtenuringShreshold 设置为15,Survivor空间大小为1M,Survivor中obj1 和obj2年龄同,且obj1 + obj2占的空间为513KB,则它们就可以直接进入老年代,无须达到15岁的临界年龄。

空间分配担保

    所谓的空间担保,就是新生代的内存不够用了,向老年代去借用内存,老年代查查家底够不够借的。    

    在发生Minor GC之前,虚拟机会先检查老年代最大可用的连续空间是否大于新生代所有对象总空间,如果这个条件成立,那么Minor GC可以确保是安全的。如果不成立,则虚拟机会查看HandlePromotionFailure设置是否允许担保失败。如果允许,那么会继续检查老年代最大可用的连续空间是否大于历次晋升老年代的平均大小。如果大于,将试着进行一次Minor GC,尽管这次Minor GC是有风险的;如果小于,或者HandlePromotionFailure设置不允许冒险,那么这时就要改为进行一次Full GC。

    参数-XX:HandlePromotionFailure用来设置是否允许担保失败,一般默认设置为true,以避免频繁Full GC。

 

Major GC,指发生在老年代的GC。一般会至少一次的Minor GC(但非绝对,在Parallel Scavenge收集器的收集策略里可以直接选择Major GC),因而除非特别区分,一般Major GC是指的Full GC。

Full GC,会回收年轻代、老年代、永久代的空间。

 

3.  1.8版本的改变

    1.8及之后的版本,取消了永久代,而代之以元空间(Meta Space)。

    方法区放到了元空间,字符串常量放到了堆中。

    元空间可以通过以下参数进行设置调整。 

-XX:MetaspaceSize初始空间大小,达到该值就会触发垃圾收集进行类型卸载,同时GC会对该值进行调整
-XX:MaxMetaspaceSize最大空间,默认是没有限制的
-XX:MinMetaspaceFreeRatio在GC之后,最小的Metaspace剩余空间容量的百分比
-XX:MaxMetaspaceFreeRatio在GC之后,最大的Metaspace剩余空间容量的百分比

 

 

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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