Java内存模型JMM学习之上下文切换-多线程一定快吗?

写在前面:本系列博客主要记录自己的学习过程,回顾JMM相关的东西,主要参考《java并发编程的艺术》,这本书粗略的看了两遍,但是里面很多东西很模糊,决定再重新捋一遍,理解了才是自己的。

一个概念

时间片:Cpu分配给各个线程的时间(非常短)。

多线程怎么工作?

       就算是单核处理器也支持多线程,cpu通过给每个线程分配时间片来实现这个机制。,cpu通过不断的切换线程执行,由于比较快,所以我们感觉多个线程是同时执行。

带来性能的影响

上线文切换会影响线程执行的速度。

一个问题,多线程一定快吗?

经过测试给出的答案是:不一定。当并发执行累加操作不超过百万次的时候,速度会比串行执行累加操作要慢。因为线程创建存在一个上线文切换的开销。

如何减少上下文开销?

无锁并发编程,CAS算法,使用最少线程和使用协程。

无锁并发编程:开发用一些方法避免使用锁,使用特定的算法,不同的线程处理不同的数据

CAS:Java包使用CAS算法,一种基于乐观锁的算法,javaAutomic包使用了CAS算法更新数据,不需要加锁。

使用最少线程:避免创建不需要的线程,比如任务很少,但是创建了很多线程来处理,这样会造成大量线程都处于等待状态。

协程:单线程里实现任务的调度,并在单线程里维持多个任务间的切换。

资源限制的考虑:程序的执行顺序受限于计算机硬件资源或者软件资源。

 

      并发执行代码执行的速度和加快的原则将代码中串行执行的部分变成并发执行,受限于资源,仍然在串行执行(个人理解,多个线程并发执行资源就一个,比如一个管道,他们同时处理,可以把同时处理看成一个串行的)由于资源限制,这种运行速度肯定变慢,反倒不如单线程执行的快了,严重的时候cpu利用率会达到100%,会导致很长时间不能完成任务。改成单线程一个小时就好了。

如何解决?

硬件方面

集群!比如使用ODPS,Hadoop或者自己搭建的集群,不同的机器处理不同的数据。

软件方面

    资源复用。比如使用连接池,Socket连接复用或者调用对方webService接口获取数据时只建立一个连接(个人理解也就是短连接)。

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