JavaScript 引擎:概述

引言

JavaScript 引擎是执行JavaScript代码的计算机程序或解释器。JavaScript 引擎可以用多种语言编写。例如,支持 Chrome 浏览器的 V8 引擎是用 C ++ 编写的,而支持 Firefox 浏览器的 SpiderMonkey 引擎是用 C 和 C ++ 编写的。

JavaScript 引擎可以作为标准解释器,也可以作为即时编译器将 JavaScript 代码编译为某种形式的字节码。第一个 JavaScript 引擎几乎只是解释器,但是大多数现代引擎都采用即时(JIT)编译来提高性能。

几个主流的 JavaScipt 引擎

所有主流的浏览器都有自己的 JavaScript 引擎。 以下是一些主流的 JavaScript 引擎。

JavaScript 引擎流程图

Image Credits: Sander in Dev.to

Image Credits: Sander in Dev.to

如果你想知道 JS 引擎如何处理 JavaScript 代码,上图是一个简化的流程图。

1. Parser 解析器

最初,HTML 解析器会遇到带有 JavaScript 源代码的 script 标签。该脚本中的源代码将作为 UTF-16 字节流加载到字节流解码器。这些字节被解码为令牌(令牌可以理解为语法上不可再分的、最小的单个字符或字符串),然后转发给解析器。JS 引擎将始终避免解析当前不需要的代码,以提高效率。

2. AST 抽象语法树

解析器根据接收到的令牌生成节点,并使用这些节点来创建抽象语法树(AST)。AST 在语义分析中起着至关重要的作用,在语义分析中,编译器将验证语言元素和关键字的正确使用。

你可以访问 https://astexplorer.net/ 查看演示示例。

3. Interpreter 解释器

上述流程图中,AST 之后是解释器,解释器遍历分析 AST 并生成字节码。生成字节码时,将删除 AST,并清除存储空间。 解释器会快速生成未优化的机器码,并且可以立即开始运行。

解释器会逐行解释代码,在这一过程中,会分析是否存在需要多次执行的代码,需要多次执行的代码会被发送到优化编译器(JIT 编译器)中,然后被转换为可以直接执行的机器码,这样下次执行到该段代码时编译器不需要再编译,提升了代码执行的效率。

4. Profiler 分析器

分析器在代码运行时对其进行评估,找出可以优化的地方。

5. Compiler 编译器

在分析器的支持下,所有未优化的代码都将传递给编译器以执行增强功能,并生成机器码,该机器码将替换之前由解释器生成的未优化的机器码。

6. 优化的代码

经过上述几步处理,最后可以得到高度优化的代码。

现在,让我们简要介绍一下 Chrome 的 V8 引擎以及使它与众不同的原因。

Chrome 的 V8 引擎

JavaScript V8 引擎是用 C++ 编写的开源应用程序,可在执行之前将 JavaScript 代码编译为优化后的机器码。最初创建 V8 引擎是为了提高 Chrome 和基于 Chromium 的浏览器中的 JavaScript 性能。后来,随着时间的推移,最新版本允许 JavaScript 代码在浏览器外部执行,从而启用了服务器端脚本。

由于最初的 JavaScript 引擎是解释器,因此它们逐行处理代码。随着时间的推移,发现这样有很多优化空间。Chrome V8 实现了一种即时(Just-In-Time,简称 JIT)编译的技术。 该技术结合使用了解释器和编译器,以实现更优的执行。

V8 引擎与其他引擎有何不同?

V8 和其他现代引擎(例如 SpiderMonkey,Rhino)都遵循相同的方法。 但是使 V8 脱颖而出的是它不会产生任何中间代码或字节码。

但这一切在 2016 年之后发生了变化,Chrome V8 团队推出了一款名为 Ignition 的解释器。使用 Ignition,V8 将 JavaScript 函数编译为一个短字节码,该字节码的大小大概是基准机器码的50%到25%。然后,该字节码由高性能的解释器执行,该解释器在网站上的代码执行速度与 V8 现有的基准编译器生成的代码执行速度接近。
在这里插入图片描述

V8’s compilation pipeline with Ignition enabled (2016)— Source: V8 Docs

快速变化

必须记住,Web 开发的领域每天都在迅速变化。尤其是对于浏览器,人们进行了许多尝试来提高性能和体验。这导致对 JavaScript 引擎的结构进行定期更改和更新。因此,如果你想了解更多有关引擎的信息,我建议查看引擎的官方文档,因为博客文章可能会过时。甚至有时,当你阅读此文章时,它可能就已经过时了。

对于 V8 来说,上面显示的流程图已经不是最新版本了。 下图显示了当前的最新版。请注意,随着 V8 团队不断努力以不断提高性能,下图的流程也可能会很快改变。
在这里插入图片描述

V8’s latest abstract compilation pipeline (2017) — Source: V8 Presentation

在这里插入图片描述

V8’s latest compilation pipeline (2017) — Source: V8 Presentation

如果将上图与 2016 版的进行比较,可以发现已经大相径庭了。

相对旧版本的优势

V8 团队为此新更新提供了很多说明,包括但不仅限于:

  • 减少内存使用——ignition 代码比完整源代码小8倍
  • 缩短了启动时间——字节码更小且生成速度更快
  • 改进了基准性能——不再依赖优化编译器来获得运行快的代码

你可以在这里从团队中了解更多信息。

V8 的新发展

无 JIT 模式

V8 甚至有无 JIT 模式运行,该模式下无需在运行时分配可执行内存。在 IOS、智能电视、游戏机等平台上没有可执行内存的写入权限的情况下,这非常有用。

你可以在这里阅读更多内容。

后台编译

借助 Chrome 66,V8 在后台线程上编译J avaScript 源代码,从而使在标准网站上在主线程上编译所花费的时间减少了 5% 至 20%。

可以在此处的官方博客文章中了解更多信息。

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行;、 2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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