深入学习Java虚拟机学习笔记-虚拟机字节码执行引擎

1. 栈帧(Stack Frame)

    栈帧是用于支持虚拟机进行方法调用和方法执行的数据结构,它是虚拟机运行时数据区中的虚拟机栈(Virtual Machine Stack)的栈元素。栈帧存储了方法的局部变量表、操作数栈、动态链接和方法返回地址等信息。


    程序在编译时,栈帧需要多大的局部变量表,多深得操作数栈都已经确定,并写到方法表的Code属性中。

    1.1 局部变量表:存放方法参数和方法内部定义的局部变量。在java程序编译为class文件时,就在方法的code属性的max_locals数据项中确定了该方法所需要分配的局部变量表的最大容量。

    1.2 操作数栈,配合计算使用,例如加法乘法

    1.3 动态链接:每个栈帧都包含一个指向运行时常量池中该栈帧所属方法的引用,持有这个引用时为了支持方法调用过程中的动态链接。

    1.4 方法返回。方法退出有两种情况,一种是正常退出,一种是异常退出。方法正常退出时,调用者的PC计数器的值可以作为返回地址,栈帧会保存这个计数器值。异常退出时,返回地址要通过异常处理器表来确定。方法退出实际上就等同于把当前栈帧出栈,因此退出时可能执行的操作有:恢复上层方法的局部变量表和操作数栈,把返回值(如果有的话)压入调用者栈帧的操作数栈中,调整PC计数器的值以指向方法调用指令后面的一条指令。

2. 方法调用

    方法调用并不等同于方法执行,方法调用阶段唯一的任务就是确定被调用方法的版本。

    2.1 解析:调用目标在程序代码写好、编译器进行编译时就必须确定下来,这类方法调用称为解析(Resolution)。符合解析的方法主要包括静态方法和私有方法。

    2.2 分派:分派揭示了多态特征的一些最基本的体现,如重载和重写。

        2.2.1 静态分派:虚拟机在重载时是通过参数的静态类型,而不是实际类型作为判定依据的。所有依赖静态类型来定位方法执行版本的分派动作都叫静态分派。在找不到对应的静态类型时,静态分派可以根据类型的优先级来选用方法执行版本,类型的优先级顺序是:char -> int -> long -> float -> double

        2.2.2 动态分派:根据实际类型来分派方法执行版本,这种叫动态分派,重写即是使用这种方法。

        2.2.3 单分派和多分派:方法的接收者和参数统称为方法的宗量,单分派是指使用一个宗量来决定,多分派是指使用多个分派来决定。静态分派属于多分派,动态分派属于单分派。

        2.2.4 虚拟机动态分派的实现:动态分派非常频繁,为了提升性能,最常用的“稳定优化”方法就是为类在方法区中建立一个虚方法表(Virtual Method Table, vtable)。

            vtable中存放着各个方法的实际入口地址。如果某个方法在子类中没有被重写,那子类的vtable里的地址入口和父类是一致的。如果子类重写了,那子类的方法地址入口就会换成子类的地址入口。方法表一般在类加载的连接阶段初始化,准备了类的变量初始值后,虚拟机会把该类的方法表也初始化完毕。

            除了vtable,虚拟机还可以使用其它机制来优化,例如内联缓存和机遇“类型继承关系分析”技术和守护内联两种非稳定的“激进优化”。

    3. 基于栈的字节码解释执行引擎

        java编译器输出的指令流,是一种基于栈的指令集架构,与之对应的是基于寄存器的指令集。基于寄存器因为直接使用了硬件寄存器,所以性能高,但是可移植性差,因为不同类型芯片的寄存器数量是不一样的。基于栈的性能差些,但是可移植性强。


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