Java多线程11:CyclicBarrier组件的详细介绍——学习方腾飞Java并发编程的艺术

CyclicBarrier

CyclicBarrier: 循环屏障,效果是让多个线程在这个屏障前等待(await()方法之前),当所有线程都执行到了这个位置时,再一起继续执行后面的动作。

CyclicBarrier的一个例子

import java.util.concurrent.BrokenBarrierException;
import java.util.concurrent.CountDownLatch;
import java.util.concurrent.CyclicBarrier;

/**
 * @author fitz.bai
 */
public class MyThread15 {
    private static CyclicBarrier cyclicBarrier;
    private static int SIZE = 5;

    public static void main(String[] args) {
        cyclicBarrier = new CyclicBarrier(SIZE, () -> System.out.println("执行的是线程" + Thread.currentThread().getName()));
        for (int i = 0; i < SIZE; i++) {
            new InnerThread().start();
        }
    }


    private static class InnerThread extends Thread {
        @Override
        public void run() {
            try {
                System.out.println(Thread.currentThread().getName() + "开始等待,时间为" + System.currentTimeMillis());
                cyclicBarrier.await();
                System.out.println(Thread.currentThread().getName() + "结束了,时间为" + System.currentTimeMillis());
            } catch (InterruptedException e) {
                e.printStackTrace();
            } catch (BrokenBarrierException e) {
                e.printStackTrace();
            }
        }
    }
}
//执行结果
Thread-1开始等待,时间为1533561127898
Thread-0开始等待,时间为1533561127898
Thread-2开始等待,时间为1533561127899
Thread-4开始等待,时间为1533561127900
Thread-3开始等待,时间为1533561127899
执行的是线程Thread-3
Thread-1结束了,时间为1533561127960
Thread-2结束了,时间为1533561127960
Thread-4结束了,时间为1533561127961
Thread-0结束了,时间为1533561127961
Thread-3结束了,时间为1533561127960

结论:

我们看到,在执行线程之前5个线程执行的全是await()方法之前的代码,之后Thread-3执行了CyclicBarrier对象里的线程的方法,这里有人说是随机一个线程去执行构造器里面的代码,但是我多次测试都是最后一个打印出来的线程,比如这里就是Thread-3执行,不知道是不是巧合,后续将会看一下源码,研究一下是不是最后到达的线程进行执行(TODO)。当所有线程都到达屏障前的时候,就再执行屏障后的代码

CyclicBarrier和CountDownLatch

发现CyclicBarrier和CountDownLatch还是有一些类似的感觉,但是又不一样
区别:
1、CountDownLatch是在多个线程都进行了countDown()后才会触发事件,唤醒await()在latch上的线程。执行countDown()的线程,执行完countDown()后会继续自己线程的工作;CyclicBarrier是一个栅栏,用于同步所有调用await()方法的线程,线程执行了await()方法之后并不会执行之后的代码,而只有当执行await()方法的线程数等于指定的parties之后,这些执行了await()方法的线程才会同时运行。一种感觉就是,CountDownLatch是当一些线程满足条件之后去唤醒其它睡着的线程,而CyclicBarrier是当指定数量的线程都执行到等待之后,再去执行各自后续的任务。
2、CountDownLatch不能循环使用,计数器减为0就减为0了,不能被重置;CyclicBarrier提供了reset()方法,支持循环使用
3、CountDownLatch当调用countDown()方法使计数器等0时,随后可以唤起多条线程;CyclicBarrier当执行await()方法的线程等于指定的SIZE之后,只能唤起一个BarrierAction

  • 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 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法 One stage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。这种法的优点是速度快,因为省略了Region Proposal生成的过程。One stage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