Java精通并发-CyclicBarrier透彻分析与示例剖析

本文深入探讨了Java并发工具类CyclicBarrier的使用场景和工作原理,通过实例展示了其与CountDownLatch的区别。CyclicBarrier允许一组线程等待彼此到达某个点,然后一起继续执行,具有可重用性,适合多阶段协作任务。同时,文章提到了CyclicBarrier在执行汇总操作时的用法,并给出了实际代码示例。
摘要由CSDN通过智能技术生成

在上一次Java精通并发-CountDownLatch使用场景与示例分析及底层源码解读已经学习了对于CountDownLatch的使用了,回忆一下它的使用场景:

这次准备学习一个跟它很类似的,但是呢使用场景还是有一些区别的,它就是CyclicBarrier,它也是在面试中很容易就会跟CoutDownLatch一起被问的,所以接下来来看一下它的使用场景。

CyclicBarrier使用场景:

先来描述一下它的使用场景:有若干个线程,比如说有五个线程,需要它们都到达了某一个点之后才能开始一起执行,也就是说假如其中只有四个线程到达了这个点,还差一个线程没到达,此时这四个线程都会进入等待状态,直到第五个线程也到达了这个点之后,这五个线程才开始一起进行执行状态,是不是这个场景的描述跟CountDownLatch很类似的,下面用一个简单的示例图来感受一下它们两者的区别:

有一个主线程,多个子线程:

好,这个我们已经非常清楚了,接下来再来感受一下CyclicBarrier的使用场景,其中Barrier有屏障的意思,里面会涉及到屏障的含义:

这里就没有涉及到主线程的角色的,线程都是同等的,其中图中画了一个屏障,其中有三个线程到达了屏障了:

由于还剩一个子线程木有到达屏障,则到达屏障了的线程会陷入等待状态,直到最后一个子线程到达屏障,如下:

此时所有子线程都已经到达屏障之后,此时屏障就会消失:

然后所有的线程全部从屏障中挣脱了,继续往下执行:

所以从图例来看,跟CoutDownLatch的一个最大的区别是,CyclicBarrier是木有主子线程区分的,另外就是当到达屏障点之后是所有线程都开始进行执行状态,那下面来看一下它的官网说明:

具体实现:

在对它有了一定的理论了解之后,接下来使用一下它:

先来理解一下这个构造函数:

那接下来则创建三个线程:

此时的cyclicBarrier还木有使用上,接下来则可以调用一下它了:

好,使用就是这么简单,接下来则看一下运行效果:

而它跟CountDownLatch还有一个非常明显的区别就是,CoutDownLatch如果计数器减为0了则就计数器永远都为0,不可能再增加了,而CyclicBarrier在上面我们读官方说明时就可以知道,它是一个可以循环被使用的:

啥意思?其实意思就是说当它里面的计数器减为0之后,不是屏障被冲破所有线程可以继续执行了嘛,此时屏障的计数器又会恢复之前所定义的,像咱们的这个例子也就是计数器又会变为3,所以它可以继续被重用,那。。这个被重复的机制是适合哪种场景?这里看一下博主的这篇http://www.itboth.com/d/zABfYr/cyclicbarrier-java说明,我觉得还是蛮形象的:

如果这种场景自己手动来实现还是比较麻烦的,但是!!!有了CyclicBarrier可以很轻松的实现,其中也可以看到CyclicBarrier可以循环使用这一特点,下面用代码来模拟一下这种场景:

然后运行一下:

其中效果也差不多,每阶段都会等三个线程到达屏障之后再执行:

其中如果想要做汇总的操作,可以使用到CyclicBarrier的第二个构造参数,如下:

咱们来试一下:

运行:

关注个人公众号,获得实时推送

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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

打赏作者

webor2006

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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