垃圾收集器

前言:垃圾收集方法,一有标记清除法和复制算法两种

标记清除法,对待回收的对象进行一次性标记一起回收,缺点是会留下琳琳散散的碎片

复制算法:对堆内存分两块,第一块用于生成实例,当他内存快用完的时候,另一块复制粘贴第一块内存中还活着的对象。最后把第一块清空。克服了第一块碎片问题,但复制粘贴带来了额外的开销

标记整理法:一般用于老年代的算法,标记与标记清除法一样,把活下来的整理到一块,然后剩余的都清除掉

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------

分代收集法  新生代一般采用复制算法,老年代一般采用标记整理法

枚举根节点

可作为GC root根节点的主要在全局性引用(常量或静态类属性)和执行上下文(桢栈本地变量表)

枚举根节点需要对整个GC停顿,因为不能让所有的引用处于动态变化中,否则没办法枚举。枚举时不需要一个不漏的检查完所有的引用位置,因为类在加载的时候使用一组叫OOPMap的数据结构,用于存放当前加载类的偏移量、类型、位置,GC在扫描时可以直接扫描OOPMap

安全点:指令序列复用,方法调用,循环跳转、异常跳转指令会产生SafePoiont;多线程时可采用抢先式中断线程

和主动式中断线程

安全区

--------------------------------------------------------------------------------------------------------------------------------------------------------

正文:垃圾收集器的介绍

Serial收集器  单线程收集垃圾数据

ParNew收集器  多线程收集垃圾数据(只有他能与CMS收集器配合使用)

Parallel Scavenge 收集器   目标是达到一个可控制的吞吐量  (CPU用于用户代码的时间/CPU总消耗时间) 可设置吞吐量,也可以设置自适应吞吐量 ,自适应吞吐量也是与ParNew最大的差别 (无法与CMS收集器配合使用)

Serial Old 收集器  老年代垃圾收集器   也是单线程收集器使用标记-整理算法   作用有两个,一个是JDK.15之前与Parallel                                              Scavenge 收集器(新生代)搭配使用,另一个是作为CMS的后备方案

Parallel Old 收集器 老年代 多线程收集器  与Parallel Scavenge 收集器(新生代) 搭配使用JDK 1.6以后出现

CMS (Concurrent Mark Sweep)收集器  是以获得最短回收停顿时间为目标的收集器,标记-清除算法

初始标记与重新标记还会遇到stop the world的问题   并发标记与并发清除可以与用户线程同时进行,则可以大量的节约时间

存在三个缺点 1)与用户线程并发处理,加大对CPU的负载,2)无法处理浮动垃圾(产生异常可能全导致一次Full GC),3)清除-标记法会导致碎片

G1收集器  未来可替换JDK1.5中

 

 

 

 

 

 

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