Java并发编程:Concurrent锁机制解析

<?xml version="1.0" encoding="utf-8"?> Java并发编程:Concurrent锁机制解析

Java并发编程:Concurrent锁机制解析

前面,我们讲了Java自带的对象锁机制。因为我们的方法必然是在一个对象中的,所以,通过对象的锁,可以很好的控制对方法的调用。当对象的锁被一个线程持有后,其他线程想要调用该对象的该方法,就必须进入等待池,等待当前线程执行完毕后,由系统来决定选中谁接下来继续执行。这种方法非常的直观,原理也非常的清晰。
那么,Doug Lea为什么会额外再开发一个并行包呢?
首先,我们从他的Lock锁来看一下,这么做带来的好处。
我觉得最主要的好处是:

  • Lock可以查询到更多的信息,包括当前持有的线程,排队等待的线程数量等,这一点很关键,极大的提高了适用范围,这是后面很多的并发类的基础;
  • 读写锁的分离,相当于在原有的独占锁的基础上,增加了共享锁。对于不需要同步的方法,使用共享锁,所有线程可以同时调用,仅对外部方法进行同步,这一点可以极大的提高性能。

1 本质

这些锁的本质是一个AbstractQueuedSynchronizer,是一个CLH队列。当锁对象没有被线程持有时(state状态值为0),线程可以获取锁,并将state加1,这时,再有新的线程来获取锁时,就需要放到CLH队列中了,等当前运行的线程将所有的锁释放掉之后,state重新变为0.这时队列中的node可以去获取锁。

CLHqueue.png

class.png

2 Lock

Concurrent包中的Lock只是一个接口类,本身并没有实现。它定义了三个主要的方法,lock(),unlock(),newCondition()。lock()用于线程获取锁,执行到该方法时,如果锁没有被线程占有,则把锁分配给线程,如果已经分配,则等待;unlock()用于解除线程锁定;newCondition()用于创建条件。线程获取锁还有三种其他的方式,如是获取之后是否可以被中断,以试探的方式去获取锁等。

public interface Lock {
    void lock();
    void lockInterruptibly() throws InterruptedException;
    boolean tryLock();
    boolean tryLock(long time, TimeUnit unit) throws InterruptedException;
    void unlock();
    Condition newCondition();
}

3 ReentrantLock

ReentrantLock是对Lock接口类的一种实现,本质是一种独占锁。使用一个state来保存一个线程调用lock()的次数。当state为0时,锁可以被线程持有,持有之后将state改为1,这样其他线程就不能再次获得该锁了,只有该线程可以再次持有,这就是重入,也就是这个锁的名字的由来。当该线程调用unlock()时,state值减1,直到state再次等于0,表示该线程完全释放了锁。
这个状态量是用一个int来保存的,并且当值超过int表示的最大正整数,就会溢出变为负数,小于0就会报错。所以,同一个锁最多能重入Integer.MAX_VALUE次,也就是2147483647。

int nextc = c + acquires;
if (nextc < 0)
    throw new Error("Maximum lock count exceeded");

至于底层的实现方式,如果看过源代码的话,就会发现基本上是基于CAS实现的,就是compare and swap。就是有一个期望值,当比较当前值与期望值是否相等,当相等时,将值进行更新。所以,当多个线程同时去改变一个值的时候,肯定只有一个线程是可以成功的。因为,这些线程的期望值肯定都是一样的,当其中一个线程修改值之后,其他线程的期望值就对比不成功了。所以,每次最多一个线程能够执行成功。

4 ReadWriteLock

ReadWriteLock同样是一个接口类,有两个方法,分别返回一个读锁和一个写锁,但它们共用一个AQS队列。

readwritelock.png

Lock readLock();
Lock writeLock();

5 ReentrantReadWriteLock

读写锁的分离意义太重大了,因为很多时候,我们大部分的操作都是在读数据,只有少数情况是需要写数据,如果直接使用同步或者是重入锁,那么性能和效率会非常低。
读锁和写锁有本质的区别,读锁是共享锁,写锁是独占锁。

  • 读操作其实是不需要同步的,只有当写操作在进行中时才需要同步等待,所以当没有写操作时,是空锁,所有线程可以同时调用。
  • 写操作是必须同步的,所以,一次只有一个线程可以占有写锁。
  • 锁升级是不允许的,就是当有读锁在读数据时,写锁是不能被持有的,必须等待所有的读操作完成,再获得写锁。
  • 写锁可以降级为读锁,就是写线程可以同时获得读锁,当写锁释放之后,继续持有读锁,然后,再释放读锁。

实际上,读锁和写锁是共用一个AQS队列,状态量state也是共用一个。低16位表示写锁,高16位表示读锁。所以,写锁和读锁的可重入数最多锁65535个。
不同的是,获取锁的方式不同:

// 读锁获取锁的方式,是获取共享锁
public void lock() {
    sync.acquireShared(1);
}
// 写锁获取锁的方式,是获取独占锁
public void lock() {
    sync.acquire(1);
}

Date: 2017-07-08 10:22

Author: WEN YANG

Created: 2017-07-12 Wed 21:15

Emacs 25.2.1 (Org mode 8.2.10)

Validate

转载于:https://www.cnblogs.com/yangwen0228/p/7143620.html

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。
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。
【7层】6900平米左右一字型框架办公楼毕业设计(建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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