java并发编程的其他基础知识

多线程并发编程的概念

并发和并行:并发是指同一个时间段内多个任务同时都在执行,并且都没有执行结束,而并行是说单位时间内多个任务同时再执行。举个栗子,一个CPU只能通过时间片轮转之类的线程调度算法做到并发,而无法做到并行。相反,如果有多个CPU且同时执行不同的线程任务,这个就叫做并行。
在多线程编程实践中,线程的个数往往多于CPU的个数, 所以一般都说多线程并发编程而非多线程并行编程。

java中共享变量的内存可见性

java内存模型规定,将所有的变量都放在主内存中,当线程使用变量时,就会把主内存中的变量复制到自己的工作空间(工作内存)中去。线程读写变量时,操作的事实上是自己工作空间中的变量。(实际中线程的工作内存对应的是CPU的cache或二级cache)
那么就很容易想到一个问题,线程A和B同时修改一个对象,它们都拥有这个对象的副本。B率先修改了对象的值,但这个被修改的值存在于它自己的工作内存里,A再去访问时,访问的是A的工作内存,因此被修改的值对A来说不可见。
这就是共享变量内存不可见问题。解决也很简单,就是下面的synchronized和volatile关键字。

synchronized关键字

synchronized块是java提供的一种原子性内置锁,java中的每个对象都可以把它当做一个同步锁来使用。这些java内置的使用者看不到的锁被称为内部锁,也叫作监视器锁。内置锁是排它锁,即当一个线程获取该锁后,其他线程必须等待该线程释放锁才能获取该锁。
另外,由于Java中的线程是和操作系统的原生线程一一对应的, 当阻塞一个线程时,需要从用户态切换到内核态执行阻塞操作,这是很耗时的操作。synchronized的使用就会导致上下文切换。
内存语义:获取锁——清空锁块内本地内存中可能会被用到的共享变量,如果要使用这些共享变量就从主内存加载。释放锁——将本地内存中修改的共享变量刷新到主内存。
补充:在jdk1.6-1.7的时候,synchronized已经被优化了,耗时的线程上下文切换可能并不会存在, 具体可以参考这一篇博文,不仅写了synchronized和lock的区别也扩展了synchronized的底层(字节码)解释,非常全面。
另外,利用synchronized代码块可以实现原子性操作。而下面的volatile却无法做到这一点。

volatile关键字

volatile是一种弱形式的同步,只能修饰变量,没有加锁操作所以不会带来线程上下文的切换开销。volatile可以确保对一个变量的更新对其他线程马上可见。当一个变量被声明为volatile时,线程在写入变量时不会把值缓存在寄存器或者其他地方,而是直接刷新回主内存。当其他线程读取该共享变量时,会从主内存重新获取最新值,而不是使用当前线程的工作内存中的值。在内存语义上来说,写入volatile变量值=退出synchronized同步块,读取volatile变量值=进入synchronized同步块。
但volatile只能修饰一个变量,所以显而易见,它不保证多步操作所带来的原子性问题。

ThreadLocal

同样是不加锁,但增加了内存开销的一种做法,提供了线程本地变量。也就是如果你创建了一个ThreadLocal变量,那么访问这个变量的每个线程都会拥有一个这个变量的本地副本。当多个线程操作这个变量时,事实上操作的是自己本地内存里的变量,由此避免了线程安全问题。
在每个线程内部,都 有一个叫做threadLocals的成员变量,该变量的类型为HashMap。其中key为我们定义的ThreadLocal变量的this引用,value则为我们使用set方法设置的值。ThreadLocal是一个工具壳,调用它的get方法时,会去对应线程的threadLocals里找到那个值。 由于线程不消亡,它的本地变量就存在,因此可能会造成内存溢出,使用完毕后要用ThreadLocal的remove方法删除本地变量。
ThreadLocal的继承性:子线程中获取不到父线程中ThreadLocal变量的值,因为它们本身就是不同的线程。
那么有没有办法让子线程访问到父线程中的值呢?有的,用InheritableThreadLocal类即可。

伪共享

这就要涉及到Cache的缓存行问题。我们知道Cache一般是按行缓存的,每次取值时也是直接把一个缓存行读取到内存中。那么,当多个线程同时修改一个缓存行里的多个变量时,由于同时只能有一个线程操作缓存行(在缓存一致性协议下),所以相比起把每个变量放到一个缓存行,性能会有所下降。这就是伪共享问题。
如何避免伪共享现象呢?一般是通过填充来解决。创建一个变量时使用填充字段填充该变量所在的缓存行,这样可以把多个变量分散在不同的缓存行,但会浪费一些内存。
JDK8提供了sun.misc.Contended注解,用来解决伪共享问题。它可以修饰类,也可以修饰变量。在默认情况下,@Contended注解只能用于java核心类,比如rt包下的类。如果用户路径下的类想要使用这个注解,需要添加JVM参数: -XX:RestrictConteded。填充宽度默认为128,也可以使用JVM参数:-XX:ContendedPaddingWidth修改默认宽度。

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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