【JVM学习】JVM之运行时数据区域

JVM之运行时数据区域

1.分类

  1. 线程共享:方法区、堆
  2. 线程私有:虚拟机栈、程序计数器、本地方法栈

2.数据区概要


3.线程私有数据区

3.1程序计数器

  1. 一块较小的内存空间,当前线程所执行的字节码的行号指示器
  2. 由于多线程通过线程切换实现,每一条线程的指令不受影响,必须保证拥有独立的程序计数器
  3. 当线程执行Java方法时,它记录的是正在执行的虚拟机字节码指令的地址
  4. 当线程执行Native方法时,该计数器值为空Undefined
  5. 此内存区域是唯一一个JVM规范中没有规定任何OutOfMemoryError情况的区域

3.2Java虚拟机栈

  1. 每个方法在执行的同时都会创建一个栈帧(Stack Frame,方法运行时的基本数据结构)用于存储局部变量表、操作数栈、动态链接、方法出口等信息。
  2. 每一个方法从调入直至执行完成的过程,就对应这一个栈帧在虚拟机中入栈到出栈的过程。
  3. 当线程请求的栈深度>虚拟机允许的深度,抛出StackOverFlowError。
  4. 虚拟机栈可动态扩展下,在扩展时无法申请到足够的内存时,抛出OutOfMemoryError异常。
局部变量表存放编译期可知的各种数据类型,所需内存空间在编译期间完成分配,且在方法运行期间不会改变大小:
  1. 基本数据类型:boolean、byte、char、short、int、float、long、double
  2. 对象引用:reference类型,不等同于对象本身,可能是一个指向对象起始地址的引用指针,也可能是指向一个代表对象的句柄或其他与此对象向相关的位置。
  3. returnAddress类型:指向一条字节码指令的地址
  4. 64位长的long和double类型的数据占用2个局部变量空间(Slot),其余类型只占用1个。

3.3本地方法栈

  1. 为虚拟机使用的Native方法服务;而虚拟机栈为虚拟机执行Java字节码服务。
  2. 也会抛出与虚拟机栈同样的异常。

4.线程共享数据区

4.1Java堆

  1. 在虚拟机启动时创建,是GC管理的主要区域
  2. 用于存放对象(包括数组)实例
  3. 从内存回收(分代收集算法)角度看可分为:新生代、老年代
  4. Java堆可以处于不连续的内存空间,只要逻辑上是连续的即可,可用-Xmx和-Xms控制空间大小
  5. 如果堆中没有内存完成实例分配,并且对也无法再扩展,将抛出OutOfMemory异常

4.2方法区

  1. 用于存储已被虚拟机加载的类信息、常量、静态变量、即时编译器编译后的代码等数据
  2. 当方法区无法满足内存分配需求时,将抛出OutOfMemory异常。
运行时常量池,方法区的一部分:
  1. Class文件中包括类的版本、字段、方法、接口等描述信息,还有常量池,用于存放编译期生成的各种字面量和符号引用,这部分内容将在类加载后进入方法区的运行时常量池中存放。
  2. Class文件中内容的格式都有严格规定;运行时常量池,JVM规范没有做任何细节的要求
  3. 运行时常量池具备动态性,java语言并不要求常量一定只有编译期才能产生,即并非预置入Class文件中常量池的内容才能进入方法区运行时常量池,运行期间也可能将新的常量放入池中,比图String.intern()方法
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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、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