并发编程(3)-线程安全性

线程和锁在并发编程中的作用,类似于铆钉和工字梁在土木工程中的作用

-《并发编程实战》


  我们知道对象是由属性(成员变量)和方法组成的,当我们实例化一个对象的时候,也就意味着给对象的属性赋初始值。对象的属性值,也就是对象的状态会随着程序的运行变化。这里就引出了对象状态的可变性。当然,有些加了final关键字的变量,在对象的整个生命周期内是不可变的。我们创建的对象,有可能只在一个单线程的程序中运行,也有可能在多线程程序中运行,如果多个线程可以同时访问对象的变量(也就是对象的状态),那么这个变量就是共享的。


  其实多线程下保证线程安全,主要就是解决多线程环境下对象的可变性和共享性,保证程序不会出现不可预知的情况。


那么怎样才能编写出线程安全的应用程序呢?有没有什么知道原则?

  • 不在线程之间共享可变的状态变量

  • 将可变的状态变量改成不可变的变量

  • 访问可变的状态变量时使用同步

如果一个可变的状态变量,不共享,也就是单个线程私有的,它的整个生命周期都是在单线程中度过的,也就不会有线程安全问题。如果一个状态变量本身就是不可变的,也就是在它的整个生命周期内都是同一个值,单线程访问和多线程访问也就没什么区别,因为它一直都是那个值,不会改变,当然也就是线程安全的。那如果一个状态变量既是可变的,又是共享的,那只能使用同步了。我们处理的大部分问题和难点,基本都在这一块


  访问可变的共享变量的代码越少,程序状态的封装性越好,越容易实现程序的线程安全。这里还有一个编程原则:先保证程序正常执行,再提高代码速度。


  线程安全的程序是否都由线程安全的类组成?答案:不是。这里先保留一个悬念,后续会讲。


下面引述一下线程安全的定义:

当多个线程访问某个类时,不管运行环境采用何种调度方式或者这些线程将如何交替执行,并且在主调代码中不需要任何额外的同步或协调,这个类都能表现出正确的行为,那么就称这个类是线程安全的

  • 强调了正确性,类在多线程环境下,表现出正确的行为

  • 因为线程安全的类中封装了必要的同步机制,所以不需要主调代码采用额外的同步或协调


下面看了一个例子:


这个类没有属性,也就是没有任何状态变量,也不包含其他类中域的引用。所有的局部变量,都只能由当前这个线程访问,也就是没有共享。所以它是线程安全的。


今天先到这儿,明天继续^_^



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