JDK 自带工具备忘

转载自:http://evenx86.github.io/2015/04/21/JDK-Tools/

简介

  • jps JVM process status 显示系统内所有的hotspot虚拟机进程。
  • jstat JVM statistics monitoring tool 收集hotspot虚拟机各方面的运行数据
  • jinfo configuration info for java 显示虚拟机配置信息
  • jmap 生成虚拟机的内存转储快照
  • jhat JVM heap dump browser 用于分析heapdump文件。
  • jstack stack trace for java 显示虚拟机上的线程快照

    jps

    参数列表

    -q Suppress the output of the class name, JAR file name, and arguments passed to the main method, producing only a list of local VM identifiers. 只显示LVMID省略主类名称
    -m Output the arguments passed to the main method. The output may be null for embedded JVMs. 显示进程启动时传递的参数
    -l Output the full package name for the application’s main class or the full path name to the application’s JAR file. 显示主类全名,jar路径
    -v Output the arguments passed to the JVM. 显示进程启动时JVM参数
    -V Output the arguments passed to the JVM through the flags file (the .hotspotrc file or the file specified by the -XX:Flags= argument).

jstat

JStat可以用来查看JVM的一些统计信息,及GC的情况等。JStat命令本身支持了定时刷新功能。
jstat-gc [pid] 2000 10

具体参数含义如下:
jstat -classpid:显示加载class的数量,及所占空间等信息。
jstat -compilerpid:显示VM实时编译的数量等信息。
jstat -gc pid:可以显示gc的信息,查看gc的次数,及时间。其中最后五项,分别是young gc的次数,younggc的时间,full gc的次数,fullgc的时间,gc的总时间。
jstat-gccapacity:可以显示,VM内存中三代(young,old,perm)对象的使用和占用大小,如:PGCMN显示的是最小perm的内存使用量,PGCMX显示的是perm的内存最大使用量,PGC是当前新生成的perm内存占用量,PC是但前perm内存占用量。其他的可以根据这个类推,OC是old内纯的占用量。
jstat -gcnewpid:new对象的信息。
jstat -gcnewcapacitypid:new对象的信息及其占用量。
jstat -gcoldpid:old对象的信息。
jstat -gcoldcapacitypid:old对象的信息及其占用量。
jstat -gcpermcapacity pid:perm对象的信息及其占用量。
jstat -utilpid:统计gc信息统计。
jstat -printcompilationpid:当前VM执行的信息。

jmap

使用JMap可以解决上面提到的问题,并通过Linux的watch命令达到实时监控的效果。
例如,通过下面命令打印堆上apache包占用内存最大的前30个对象,每一秒刷新一次: watch-n 1 -d "jmap -histo:live [pid] | grep "apache" | head -n 30"
jmap [option] vmid

  • -dump 生成Java堆转储快照
  • -heap 显示Java堆的详细信息
  • -histo 显示堆中对象统计信息,包括类实例数量合计容量

watch 是周期性的执行下个程序并全屏显示执行结果,。
-n或—interval watch缺省每2秒运行一下程序,可以用-n或-interval来指定间隔的时间。
-d或—differences 用-d或—differences 选项watch 会高亮显示变化的区域。 而-d=cumulative选项会把变动过的地方(不管最近的那次有没有变动)都高亮显示出来。
-t 或-no-title 会关闭watch命令在顶部的时间间隔,命令,当前时间的输出。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
[root@localhost sync]# jmap -histo 27109

 num     #instances         #bytes  class name
----------------------------------------------
   1:      30115700     2278829352  [I
   2:      29118169     1620754128  [C
   3:      13780299     1212666312  java.util.regex.Matcher
   4:       7813981      707061400  [B
   5:      20477817      655290144  java.lang.String
   6:       2988315      472124848  [Ljava.lang.Object;
   7:       7817628      437787168  java.util.HashMap$Entry
   8:       1098010      265252184  [Ljava.util.HashMap$Entry;
   9:       1973855      142117560  java.util.LinkedHashMap$Entry
  10:       1010641      121276920  java.util.TreeMap$AscendingSubMap
  11:       1948128      109095168  java.nio.HeapByteBuffer
  12:             4       86507584  [Ljava.io.ObjectInputStream$HandleTable$HandleList;
  13:       3482239       83573736  java.lang.Long

这里涉及到一个问题:

http://docs.oracle.com/javase/6/docs/api/java/lang/Class.html#getName%28%29

其中I,C等表示class文件里的class的标识。
对应关系如下:

  • B 代表byte
  • C 代表char
  • D 代表double
  • F 代表float
  • I 代表int
  • J 代表long
  • Z代表boolean
    前边有[代表数组,[I 就相当于int[]
    对象用[L+类名表示
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