JVM内存结构以及类的加载

内存结构(规范)

一.运行时数据区域

   1.程序计数器   ---程序执行指示器

    2.java虚拟机栈 ---用于存储局部变量表、操作数栈、动态链接、方法出口等信息

    3.本地方法栈 ---虚拟机使用的native方法服务

    4.java堆 ---对象实例,数组存储

    5.方法区  ---用于存储已被加载的类信息、常量、静态变量、即时编译器后的代码

    6.运行时常量池 ---存放类编译期生成的字面量和符号引用

    7.直接内存 ---使用原生函数直接分配的内存,用于提高性能

    二.特定虚拟机(Hotspot)

        1.对象创建

                i 检查常量池是否加载了类,没加载则加载。(加载完成可获取到类内存大小)

                ii 新生对象在堆中分配

                iii 分配完成初始化为零

                v 执行初始化方法

        2.对象内存布局

                i 对象头 ---两部分 一为自身运行时数据 二为类指针 如果对象是数组则需要记录数组大小

                ii 实例数据 ---真正有效信息

                iii 对齐填充 --非必须,占位符

        3.对象访问

                i 找到栈上指针,虚拟机相应方法(虚拟机实现规定),找到堆地址与方法区内类地址

 

 

类加载

一.类加载阶段

    加载 验证 准备 解析 初始化 使用 卸载 7个阶段 验证、准备、解析统称为链接linking

二加载过程

    1.加载

        1.1类的加载

        i 获取二进制字节流 如 class文件、jar文件 反射代理 jsp等

        ii 将字节流静态存储结构转化为方法区运行时数据结构

        iii 生成java.lang.Class对象,作为方法区这个类的各种数据访问入口

        1.2数组类的加载

        i 由虚拟机创建 类加载器递归加载

        2.验证

        主要验证文件是否符合虚拟机要求,且不会危害虚拟机大体包括4种:文件格式验证、元数据验证、字节码验证、符号引用验证

 

        3.准备

        先在方法区中分配类变量(类中static修饰的变量)内存并设置初始值,初始值通常为零值,特殊情况下为指定值,如static final int calue = 123;在准备阶段就将设置为123

        4.解析

        虚拟机将常量池内符号引用替换为直接引用。符号引用为class文件格式中的特定数据 直接引用是直接指向目标的指针。解析主要针对接口、字段、类方法、接口方法、方法类型、方法句柄和调用点限定符7类

        5.初始化

        在准备阶段,变量已经赋值一次初始值,初始化阶段是执行类构造器方法<clinit>()的过程。static块顺序执行 先父后子,不包含静态语句可以不生成 接口不需要先父

三.类加载器

    定义:实现类加载动作的代码称为类加载器

    1.类与类加载器

    类的唯一性由类和类加载器共同决定,相等包括Class对象的equals() isAssignableFrom() isInstance() 方法 也包含 instanceof 用做判顶关系等情况

    3种系统提供的加载器

    启动类加载器

    扩展类加载器

    应用程序类加载器

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