内存

内存

1. 堆

  1. 堆中保存的内容:包含对象内的局部变量;

    当没有变量引用时,GC就会自动回收对象

2.栈

  1. 栈帧:

    每调用一个方法,jvm就会在栈中为方法创建一个空间,这个空间叫做栈帧;参数/局部变量等数据变量;

    方法执行完后栈帧消失

  2. 成员变量在对象中,对象被回收,成员变量失效;

    局部变量在方法中,方法执行完毕,局部变量失效;

3.方法区

在产生栈堆关系之前,会通过类加载器载入类文件的字节码信息,经过解析后类的信息装入方法区.类的信息包括成员变量和方法定义;

类名.class{
    成员变量1;成员变量2;
    方法名(){
    }
}

类中的成员变量和方法定义信息只保存一份;

4.事例

  1. 方法调用后栈帧就会消失

    public static void main(String[] args) {
    		Double price= 12.5;
    		test1("数学", price);//调用完test1方法之后,此栈帧消失
     		System.out.println(price);
    	 }
    	 public static void test(String aname,Double price) {
     		price = price+10;
    	 }
    
  2. 此时card为同一对象

    public static void main(String[] args) {
    	Integer age = 20;
    	Father father = new Father(age);
    	test2("代维",father);
    	System.out.println(father.age);
    }
    public static void test(String name,Father father) {
    	father.age+=20;
    }
    
  3. 图片
    在这里插入图片描述

5.内存溢出

  1. 原因:

    栈堆中数据过多

  2. 解决方法:

    建议GC加快回收(建议:不能提醒jvm不是强制)

    System.gc();
    
  3. 查看内存占用情况

    1. 获取Runtime对象

      Runtime runtime = Runtime.getRuntime();
      
    2. 获取jvm所占最大内存

      runtime.maxMemory()/1024/1024+"M"
      
    3. 当前jvm所占最大内存

      runtime.totalMemory()/1024/1024+"M"
      
    4. 剩余内存

      runtime.freeMemory()/1024/1024+"M"
      
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