JVM虚拟机

一、Java虚拟机里面有什么东西

1.类加载子系统,方法区,Java堆,直接内存,垃圾回收器,执行引擎,Java栈,本地方法栈,PC寄存器。

(1)类加载子系统:从网络或者文件系统中加载Class文件。

(2)方法区:存字符串,类的信息,静态方法,静态常量等。

(3)Java堆:存Java对象(重点讲

(4)直接内存:执行NIO库操作需要大量读写,在直接内存里执行效率更快。

(5)垃圾回收器:对垃圾回收算法的实现。(重点讲

(6)执行引擎:比如Hotspot(热点探测)。执行引擎是将Class文件编译成本地的机器码文件,热点探测就是频繁将有些Class文件转换成本地机器码文件的Class文件转换成本地机器码文件缓存在本地,后面就直接读取缓存。在JDK1.3开始测试,JDK1.5开始Hotspot开始商用。

(7)Java栈:存局部变量,参数,方法调用,方法返回等

(8)本地方法栈:存系统方法调用,系统方法返回等

(9)PC寄存器:主要功能就是区别执行的方法是Java方法还是本地方法,如果是本地方法PC寄存器里存的undefined。

二、Java堆

注意点:JDK1.7以前Java堆分为新生代,老年代,持久代。JDK1.7开始就测试取消持久代,因为持久代存的是常量,类的信息,静态常量等,可以发现和方法区存的东西基本一致。JDK1.8就已经取消持久代。

1.新生代:

 (1)新生代里分为三个区域:eden,s0,s1。刚产生的对象是出生在eden区里(大对象是直接放在老年代里),当eden区快满时,调用minor gc采用复制算法(后面说)将存活的对象放到是s1中,如果s0中也有则也采用复制算法,把存活对象放在s1中。然后清空s0和eden区,然后s0和s1交换位置。

2.老年代:

(1)新生代里的对象每经历一次Minor GC后,如果存活它的年龄加一。如果年龄到达15(JVM里默认15,可以修改),则放到老年代中。老年代中的垃圾回收器叫Full GC(Minnor GC和Full GC都是对新生代及老年代里垃圾回收器的总称,其下还能细分,后面讲)

三、垃圾回收器

1.垃圾回收算法

垃圾回收器是对垃圾回收算法的实现,我们先看看有哪些垃圾回收算法。

(1)引用记数法:Java堆里的对象,每有一个它的引用,它的计数就加一,每减少一个它的引用,它的计数就减一。GC就回收计数为0的对象。

(2)复制算法:eden和s0区的对象在没被清除掉并且年龄没到15,则复制对象按顺序存放到s1中。

(3)标记清除算法:从对象的跟引用开始做标记,如果没被标记就清除。缺点:产生碎片,工作时候用户进程停止工作。

(4)标记整理算法:从对象的跟引用开始做标记,如果没被标记就清除。标记的对象则压缩对象,放在按顺序放在堆里的一块里。缺点:工作时候用户进程停止工作。

2.7个垃圾回收器

seral,parNew,parille scavege属于新生代,CMS(CounConrrent make sweep),seral Old,parille Old属于老年代。G1(gebarge first)新生代,老年代通吃。

(1)seral垃圾回收器(串行收集器):

                                                               1)运用算法:复制算法

                                                               2)缺点:需要两倍空间,工作时候用户进程停止。

(2)parNew垃圾回收器(并行收集器):

                                                               1)运用算法:复制算法

                                                               2)缺点:需要两倍空间,工作时候用户进程停止,                                                                       停止时间比seral垃圾回收器的停止时间短。

                                                               3)单核CPU运用此回收器不一定比用seral回收器                                                                       好,CPU逻辑数越多,此回收器越好用

(3)parille scavege垃圾回收器(并行收集器):

                                                               1)运用算法:复制算法

                                                               2)它关注的是系统吞吐量,系统吞吐量 = 运行用户                                                                       程序时间/(运行用户时间+JVM运行时间),开                                                                       发Java桌面级 应用,大量科学计算用它比较好。

(4)CMS(counConrrent make sweep并发收集器):

                                                               1)并发与并行的区别是,并发是用户工作线程与                                                                          JVM线程同时运行(实质上也是交替进行,因为                                                                        CPU的调度机制),而并行不包含用户工作线                                                                            程。

                                                               2)运用算法:标记整理算法

(5)seral Old垃圾回收器(串行收集器):

                                                                1)运用算法:标记整理算法

                                                               2)缺点:工作时候用户进程停止。

(6)parille Old垃圾回收器(并行收集器):

                                                                1)运用算法:标记整理算法

                                                               2)缺点:工作时候用户进程停止,但是比使用seral                                                                      Old垃圾回收器停止时间短。

(7)G1垃圾回收器(Gebarge first)

                                                                1)运用算法:标记清除算法

3.新生代及老年代垃圾回收器匹配关系

1.CMS垃圾回收器可以和所有新生代的垃圾回收器配合工作

2.seral Old垃圾回收器可以和所有新生代的垃圾回收器配合工作

3.parille Old垃圾回收器只能和parille scavege垃圾回收器配合工作

4.G1垃圾回收器能和所有新生代及老年代的垃圾回收器配合工作,甚至新生代及老年代都是它也可以

 

 

  • 1
    点赞
  • 2
    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方法 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方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 方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方法 One stage方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。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方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