JAVA线程池实现(转)

JAVA创建自己的线程池
文章分类:Java编程
package proxy;

import java.util.ArrayList;
import java.util.List;
import java.util.Queue;
import java.util.concurrent.ConcurrentLinkedQueue;

//测试main入口

public class CocurrentThread {

public static void main(String[] args){

//创建一个线程池,可以运行5条线程
PoolThread pt = new PoolThread(5);

//开启线程池工作开关
pt.start();

//往线程池中加入10个任务
for(int i = 0;i < 10;i++){
pt.execute(new ConcreteTask());
}

//关闭线程池开关
pt.shutdown();

}


}

/**

*要交给线程池处理的具体任务,用户可以自定义,不一定要实现Runnable接口,这里实现

*Runnable只是利用Runnable接口生成一种规范。
**/
class ConcreteTask implements Runnable{
private static int i;

//具体实现的任务在这里编写
public void run() {
System.out.println(Thread.currentThread().toString() + i++);
}

}


/**

*线程池核心类
**/
class PoolThread{

//实现线程池对象时最大的可用线程数
private int maxThreads;


//线程池工作的启动开关
private boolean on = false;


//这里定义了一个任务队列容器,用途很明显,就是用来放置要处理的任务,先进来的先交给线程池处理
private Queue<Runnable> tasks = new ConcurrentLinkedQueue<Runnable>();//任务队列


//定义了一个放置Thread对象的容器,用来放置所有的线程
private List<Thread> poolThreads ;


//构造器,初始化时根据传入的参数来分配几条线程处理任务
public PoolThread(int maxThreads){
this.maxThreads = maxThreads;
poolThreads = new ArrayList<Thread>();
for(int i = 0;i < this.maxThreads;i++){
poolThreads.add(new Thread(new SingleThread()));
}
}
/**

*启动线程池,其实就是启动里面的每一条线程

*/
public void start(){
this.on = true;
for(int i = 0 ;i < poolThreads.size();i++){

//启动每个线程
poolThreads.get(i).start();
System.out.println("the number " + i + " thread of " + poolThreads.size());
}
}


/**

*关闭线程池的工作

*/
public void shutdown(){
this.on = false;
}

/**
*
* @param task 被执行的新任务,实现Runnable接口
*/
public void execute(Runnable task){
synchronized(tasks){
tasks.add(task);//将任务添加到线程池中执行
tasks.notifyAll(); //通知所有的锁定tasks线程,让其执行新加进来的任务
}
}


/**

*定义线程池中的线程类,该线程必需是永远不终止的。

*/
class SingleThread implements Runnable{

public void run() {
while(on){
synchronized(tasks){
Runnable task = tasks.poll(); //取出任务队列中的任务执行
if(task != null)
task.run();
if(tasks.size() == 0){ //如果队列中没有等待的任务,则停止线程,直到有任务加进队列时唤醒该线程
try {
tasks.wait();
} catch (InterruptedException e) {
e.printStackTrace();
}
}
}
}

}

}
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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