连接模型

8.1 动态连接和解析

    class文件会把所有引用放在一个地方--常量池

   运行时常量池分配在方法区,属于方法区一部分

 

概念: 静态常量池(static constant pool)和动态常量池(dynamic constant pool)

动态链接:

解析:

 

8.1.1

  Class.forName()和ClassLoader.loadClass()区别:最大区别可能类型装载器不同

 

 1. 初始化用forName()

 2.如果需要一个特定的装载类型,比如从网路上装载、从数据库装载、从加密文件装载 用户就需要定制自己的类装载器了

   还有一点就是安全方面考虑 命名空间和保护域

 

8.1.4 解析CONSTANT_class_info入口

 

  1.在所有常量池入口类型中 CONSTANT_class_info解析起来最复杂

步骤一

   2.装载类型或者任何超类行

   3.检查访问权限

步骤二

连接并初始化类型和任何超类

 

 校验类型

 准备类型

 可选解析类型

 

 初始化类型

 

定义类装载器

初始化类装载器

装载约束,一个java类型在编译时是唯一的,但是在运行期,不同类装载器可以装载同一个类型

 

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MNIST全连接模型是一种用于手写数字识别的模型。MNIST数据集包含了一系列的手写数字图片,每张图片都是28x28像素的灰度图像。 全连接模型是指模型中的每个神经元都与下一层的所有神经元相连接。对于MNIST数据集,全连接模型中的输入层有784个神经元(28x28),输出层有10个神经元,分别代表数字0-9的分类。 在训练过程中,全连接模型将输入的像素数据展平,并通过一系列的隐藏层进行特征提取和转换。每个隐藏层都由多个神经元组成,这些神经元通过权重和激活函数进行信息的传递与转换。最后,经过隐藏层的处理后的特征将流向输出层,通过Softmax函数对10个输出进行概率化,以判断输入属于不同数字的概率。 在训练过程中,我们使用反向传播算法来优化模型的权重和偏置,使其输出结果与真实标签尽可能接近。这样,我们就能够通过训练好的全连接模型对测试集中的手写数字进行分类。 然而,全连接模型存在一些问题。其一,在图像数据中,相邻像素之间的空间关系丢失,因为所有像素都被展平成了一维数组。其二,全连接模型的参数量大,容易产生过拟合问题。而且,全连接模型的计算复杂度高,训练时间长。 尽管全连接模型在MNIST数据集上表现出色,但在处理更复杂的图像任务时可能会遇到一些挑战。因此,研究者们提出了一些更先进的模型,如卷积神经网络(CNN),它可以更好地利用图像的空间结构特征,大大提高了图像识别的准确率和效率。
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