java blockingqueue源码_看看ArrayBlockingQueue源码Java9

54aa6f4b89dfe0b97cd518cd29a8ca60.png

这里可以看到实现的接口有哪些(Serializable, Iterable, Collection, BlockingQueue, Queue),相应的ArrayBlockingQueue就有哪一些特性。

ArrayBlockingQueue由数组实现的有界阻塞队列。此队列命令元素FIFO(先入先出)。队列的头是队列中最长时间的元素,队列的尾部是队列中的元素最短时间。在队列尾部插入新元素,队列检索操作在队列头中获取元素。

这是一个经典的“有界缓冲区”,其中固定大小数组保存由生产者插入并由使用者提取的元素。一旦创建,容量就无法更改。试图将元素放到一个满的队列中,会导致操作阻塞;试图从空队列中获取元素也会类似地阻塞。

有以下的构造方法:

c03bb11247d7a851d115a37d0dc458fc.png

ArrayBlockingQueue​(int capacity):使用给定的(固定)容量和默认访问策略创建一个ArrayBlockingQueue。

ArrayBlockingQueue​(int capacity, boolean fair):使用给定的(固定)容量和指定的访问策略创建一个ArrayBlockingQueue。

可以看到capacity需要大于0,不然会有IllegalArgumentException异常,然后初始化this.items数组,对于传入的fair,用来构建ReentrantLock,使用公平锁还是非公平锁(sync = fair ? new FairSync() : new NonfairSync())。notEmpty与notNull获取Condition。

NonfairSync非公平锁:当锁处于无线程占有的状态,此时其他线程和在队列中等待的线程都可以抢占该锁。

FairSync公平锁:当锁处于无线程占有的状态,在其他线程抢占该锁的时候,都需要先进入队列中等待。

8ad718cef1e74c35a6284ed5e97e9201.png

ArrayBlockingQueue​(int capacity, boolean fair, Collection extends E> c):创建具有给定(固定)容量的ArrayBlockingQueue,指定的访问策略并最初包含给定集合的元素,以集合的迭代器的遍历顺序添加。

先是调用上一个构造方法,然后使用lock加锁,然后进行遍历添加,在finally里面解锁。

0864f0e5f1cfa1ad1e2cef350ecee416.png

add​(E e):在不超出队列容量的情况下立即执行此操作,则将指定元素插入此队列的尾部,成功时返回true,如果此队列已满,则抛出IllegalStateException。

这里使用的是继承的add方法,实现了offer方法。

b65138844c82250df86dba868872a7a0.png

后者的方法加了超时的时间控制,利用Condition的awaitNanos方法。

e749ae5eb24e47b71af88f1f4830e27d.png

put(E e):将指定元素插入此队列的尾部,等待队列已满时空间可用。这里使用了notFull.await()阻塞写数据,在enqueue里面notEmpty.signal(),唤醒读数据。

242f50e6a48f7e869fa649074899dd2c.png

poll方法:检索并删除此队列的头部,如果此队列为空,则返回null,这里调用的是dequeue(),里面有notFull.signal();相应的也有poll(long timeout, TimeUnit unit)方法。

6bf3c718ad3c1a79a34918d62a966c13.png

take():检索并删除此队列的头部,必要时等待,直到元素可用。

93745bad2fda4edfe8cd12000e0a8ea5.png

peek():检索但不移除此队列的头部,如果此队列为空,则返回null。

3f3b69b0a29e85a9d93b887d02cbd23e.png

remove(Object o):从此队列中删除指定元素的单个实例(如果存在)。

a0bfc1c43f2e8f693e15aee35c10a53d.png

有什么讨论的内容,可以加我公众号:

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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