JVM的GC算法及垃圾收集流程

与jvm的gc相识录

在这里插入图片描述
内存空间时有限的,假如内存占满,出现OOM现象,所以一些没用的对象可以销毁释放内存 ,提高内存利用率,垃圾回收器通过一些垃圾回收算法做gc操作, 那什么样的对象视为垃圾?怎么去发现它呢?

一、垃圾

怎样算垃圾?

内存中该对象没有任何引用指向,视为可回收对象,垃圾。

判断被回收的依据

有两种方案判断对象是否应被回收
1 引用计数法
对象记录指向自己的引用个数,每次减少一个指向自己的引用,引用个数减1,如果引用个数为0,则视为垃圾,不过循环引用就很麻烦。所以推荐第二方案
2 可达性分析算法
指没有任何根对象引用的指向的对象,视为垃圾。
也叫roots search / 根可达 算法。

根对象来源

  • 虚拟机栈(栈帧中本地变量表)
  • 本地方法栈JNI引用的对象
  • 方法区类静态属性引用的对象
  • 方法区常量引用的对象

二、垃圾回收算法

了解到的有三种:标记-清除算法 拷贝算法 标记-整理算法

1、标记-清除(mark-sweep)

当回收时,将待回收对象做标记,然后清理掉。
优缺点:会产生碎片。
适用场景:存活对象多的情景,适用于老年代的回收。

2、拷贝算法(copy)

将内存分为相等的两块,一块用来放对象,当回收时,将存活的对象拷贝到另一块内存区中,连续放置。然后将原来的内存区对象进行清理。

优缺点:不会产生碎片,浪费空间。
适用场景:存活对象少,适用于年轻代的回收。

3、标记-整理(mark-compact)

回收时,将垃圾对象做好标记,然后清理,同时对存活对象整理压缩到连续的内存空间
优缺点:不会产生碎片,不会浪费空间,因为在标记清理的同时,还要做压缩整理,而且多线程的情况下,每更新一块内存,都要做线程同步,导致了效率不高;单线程效率也是不言而喻的
适用场景:存活对象多,适用于老年代的回收。

三、垃圾收集器

在这里插入图片描述
垃圾收集器在java13之前已经有了10种,在这里只说上面这8个;
1 serial+CMS/serialOld 组合:
serial和serialOld没什么区别,就一个在年轻代一个在老年代工作,垃圾回收是单线程的,当来做垃圾回收的时候,所有应用程序线程挂起,单线程回收完,应用程序线程继续工作

2 parallel scavenge+parallelOld/serialOld 组合:
parallel scavenge和parallelOld没神魔区别,只是分别工作在年轻代和老年代而已。这是指垃圾回收时是多线程回收,同样,做垃圾回收时,应用程序线程要挂起,回收完毕后,应用程序线程继续执行。

3 ParNew+CMS/serialOld
parallel scavenge不能和CMS搭配只用,所以在ps基础上衍生出parNew,用来和cms搭配使用,cms是多线程回收器,且在做垃圾回收时,可以和应用程序同步进行,且采用标记-清除算法;

4 G1
最新的垃圾回收器G1仍然保留分代的概念,stw时间经过试验10ms,从整体来看是基于标记-整理算法实现的垃圾收集器,从局部角度是基于拷贝算法实现的,总之不会产生碎片,减少触发GC 的频率。

5 ZGC
目前在试验阶段的垃圾回收器是ZGC,stw可以低到1ms。

最先使用的组合:serial+serial Old

现在目前java8版本服务器默认使用分代的垃圾回收器:ps+Parallel Old
可以通过命令查看: java -XX:PrintCommandLineFlags

*:\**\**> java -XX:+PrintCommandLineFlags -version
-XX:InitialHeapSize=128883648 -XX:MaxHeapSize=2062138368 -XX:+PrintCommandLineFl
ags -XX:+UseCompressedClassPointers -XX:+UseCompressedOops -XX:-UseLargePagesInd
ividualAllocation -XX:+UseParallelGC
java version "1.8.0_181"
Java(TM) SE Runtime Environment (build 1.8.0_181-b13)
Java HotSpot(TM) 64-Bit Server VM (build 25.181-b13, mixed mode)

四、分代回收器的分代回收流程

在这里插入图片描述

老年代对象除了存放年龄较大的对象,还存放年轻代装不下的大对象(内存分配担保机制),因此占用内存较多,所以年轻代和老年代内存分配占比 1:3 ;

年轻代

年轻代对象多数朝生夕死,死亡率98%,所以新生代回收采用拷贝算法;年轻代分为eden区:survivor:survivor = 8:1 : 1
新生对象分配在eden区,

1 第一次YGC,eden区存活的对象copy到s0;
2 再次YGC,eden+s0 -> s1,
3 再次发生YGC,eden+s1 ->s0  ......

直到对象年龄足够,就转移到老年代。但是存在对象存活量超过survivor 的10%,这时不管是否到了年龄,根据内存担保分配机制,会将这个大对象分配到老年代。

一般都是对象达到15岁,就转移到老年代了,cms 临界点是6岁。

老年代

因为老年代存活量比较多,死亡率少,所以老年代一般默认采用标记-整理算法,标记清除算法也可以,但是容易产生碎片,当有一个大对象需要一块连续内存,但是容易出现内存不足的情况,那么触发FGC的频率就高一些。

一般调优的话,也是尽量减少发生FGC的频率。

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。
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。
【7层】6900平米左右一字型框架办公楼毕业设计(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。
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