Java多线程编程-3 Java内存模型(JMM)、sychronized关键字与JVM内存区域

  1. JMM

Java内存模型(Java Memory Model )是一种规范,规定了线程如何正确的从内存中读取数据。
java内存模型是共享内存的并发模型,线程之间主要通过读-写共享变量来完成隐式通信。(通信是指线程之间以何种机制来交换信息,主要有两种:共享内存和消息传递)
JMM规范
每个java线程拥有独立的工作内存,多个线程共享主内存,当共享数据发生变化时,A线程修改了共享数据“s”,而B线程继续从自己的工作内存取出“s”,此时“s”数据已过期。JMM规范则定义了对于共享数据如何正确读取的机制,保证程序执行的正确性。

为了使处理器内部的运算单元能够尽量的被充分利用,处理器可能会对代码进行重新排序,这就是处理器优化。同时,Java虚拟机的即时编译器(JIT)也会做指令重排序以优化程序执行效率。

我们来看一下,JMM规范的提出是为了解决哪些问题
1)可见性问题(缓存不一致问题),A线程对数据的修改,对B不可见
2)处理器和编译器重排序时,程序执行结果可能不一致
3)一个操作可能部分成功,部分失败,即操作的原子性问题

规范有了,那么,这些问题是怎么解决的呢?

要保证并发程序的正确性,需要满足以下3个特性:
1)原子性(操作要么都成功,要么都失败)
2)可见性
3)有序性
其实满足了这3个特性,也就解决了上面提到了3个问题。下面来看一下Java是如何解决这3个问题的。

  1. volatile和sychronized关键字

原子性:在Java中,为了保证原子性,提供了两个高级的字节码指令monitorenter和monitorexit。这两个字节码,在Java中对应的关键字就是synchronized。

可见性:Java中的volatile关键字提供了一个功能,那就是被其修饰的变量在被修改后可以立即同步到主内存,被其修饰的变量在每次是用之前都从主内存刷新。因此,可以使用volatile来保证多线程操作时变量的可见性。

有序性
1)JMM中happens-before原则进行保证(对编译器和处理器重排序的约束原则)
2)volatile关键字会禁止指令重排。synchronized关键字保证同一时刻只允许一条线程操作(加锁)。

volatile boolean init; // 共享变量

//-------Thread-1----------
obj = createObj();
init = true;

//-------Thread-2----------
while (!init) {
	sleep();
}
useTheObj(obj);
//-------------------------

volatile在上面代码的作用:
多个线程访问共享变量,volatile关键字保证了后面的指令不会放到屏障的前面,其前面的指令也不会放到屏障后面,保证obj创建完成,“init”变量才会=true,即指令init = true;不会被重排序到obj = createObj();之前,从而保证Thread-2使用useTheObj()时obj已创建完成。

同时保证了init的可见性,init一旦被修改会立即写入到主存,从而使其他持有该变量的缓存失效。

但volatile不保证原子性。

  1. Java内存区域
    Java内存区域
    栈:线程私有,包含本地方法栈、jvm虚拟机栈、程序计数器
    堆:线程共享,包含堆区、方法区、直接内存(jvm以外的机器内存)

并发之原子性、可见性、有序性
别再问什么是Java内存模型了,看这里!
java内存模型以及happens-before规则
让你彻底理解Synchronized

  • 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