ThreadLocal

多线程访问同一个共享变量可能出现并发问题,尤其是使用线程写入的时候。为了保证线程安全,往往需要进行加锁,但是加锁操作往往是一件耗时的工作,在有些情况(例如数据库连接、session管理等)可以采取另外的方式,将共享变量存入线程本地解决竞争问题,每个线程只操作本地变量。

ThreadLocal就可以做到这件事:创建了一个ThreadLocal变量,就为线程创建了那个共享变量的本地副本。但是这个本地变量不是存在ThreadLocal里,而是存在Thread类的threadLocals变量里,这个是一个ThreadLocalMap(一种HashMap),key存放的是当前线程的ThreadLocal实例,value是共享变量的本地副本。

ThreadLocal只要有三个方法:
1、void set(T value)
在当前线程里设置value的一个本地副本

public void set(T value) {
        Thread t = Thread.currentThread();
        ThreadLocalMap map = getMap(t);
        if (map != null)
            map.set(this, value);
        else
            createMap(t, value);
}

首先获取当前线程Thread t = Thread.currentThread(),通过t得到当前线程的threadLocals,

ThreadLocalMap getMap(Thread t) {
        return t.threadLocals;
}

如果threadLocals不是空,则存入当前的共享变量副本,否则,新建一个threadLocals,

void createMap(Thread t, T firstValue) {
        t.threadLocals = new ThreadLocalMap(this, firstValue);
}

2、T get()
用来获取ThreadLocal在当前线程中保存的变量副本

public T get() {
        Thread t = Thread.currentThread();
        ThreadLocalMap map = getMap(t);
        if (map != null) {
            ThreadLocalMap.Entry e = map.getEntry(this);
            if (e != null) {
                @SuppressWarnings("unchecked")
                T result = (T)e.value;
                return result;
            }
        }
        return setInitialValue();
}

首先获取当前线程地threadLocals,

Thread t = Thread.currentThread();
ThreadLocalMap map = getMap(t);

如果threadLocals不为空,则返回对应的本地变量,否则表示threadLocals还没有创建,需要初始化

return setInitialValue();
private T setInitialValue() {
        T value = initialValue();
        Thread t = Thread.currentThread();
        ThreadLocalMap map = getMap(t);
        if (map != null)
            map.set(this, value);
        else
            createMap(t, value);
        return value;
}

3、void remove()
删除ThreadLocal中当前线程的本地变量

public void remove() {
         ThreadLocalMap m = getMap(Thread.currentThread());
         if (m != null)
             m.remove(this);
}

ThreadLocal使用不当会导致内存泄漏
关键是ThreadLocalMap的key是弱引用类型

static class ThreadLocalMap {
        static class Entry extends WeakReference<ThreadLocal<?>> {
            Object value;

            Entry(ThreadLocal<?> k, Object v) {
                super(k);
                value = v;
            }
        }
        ...
 }
public class WeakReference<T> extends Reference<T> {

    public WeakReference(T referent) {
        super(referent);
    }

    public WeakReference(T referent, ReferenceQueue<? super T> q) {
        super(referent, q);
    }
}
Reference(T referent) {
        this(referent, null);
    }

    Reference(T referent, ReferenceQueue<? super T> queue) {
        this.referent = referent;
        this.queue = (queue == null) ? ReferenceQueue.NULL : queue;
    }

由上述代码可以看到,加入到ThreadLocalMap的key最终作为Reference的referent。
因此当下一次GC时,ThreadLocalMap的key一定会回收,而ThreadLocalMap实际上是就是threadLocals变量,与线程生命周期相同,这时就会存在key为null而value不为null的map,这些value无法被访问也不能被释放,所以造成内存泄漏。

但是如果ThreadLocalMap的key设计成强引用,外部已经没有对ThreadLocal对象的引用,但是ThreadLocalMap仍然在强引用它,ThreadLocal对象应该被回收而不能被回收,引起内存泄漏

所以,不管ThreadLocalMap的key是强引用还是弱引用,都可能引起内存泄漏,问题的根源在ThreadLocalMap的生命周期和Thread一样。解决方法是手动删除ThreadLocalMap的key,手动调用remove方法。

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