多线程(七、同步计数器-CountDownLatch)

CountDownLatch是一个线程的同步计数器,主要有2个使用场景。

1、作为一个开关,N个子线程准备就绪,等待主线程的放行,然后子线程一起开始执行。

Task

package com.jane;

import java.util.concurrent.CountDownLatch;

public class Task implements Runnable {
    private CountDownLatch countDownLatch;
    private String name;

    public Task(CountDownLatch countDownLatch, String name) {
        this.countDownLatch = countDownLatch;
        this.name = name;
    }

    @Override
    public void run() {
        try {
            System.out.println(name + "开始等待开关......");
            countDownLatch.await();
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
        System.out.println(name + "执行任务完成");
    }
}

主线程

public class Main {

    public static void main(String[] args) throws InterruptedException {
        //主线程创建,和子线程共享
        CountDownLatch countDownLatch = new CountDownLatch(1);

        System.out.println("主线程启动......");

        //创建3个子线程
        Thread t1 = new Thread(new Task(countDownLatch, "线程-1"));
        Thread t2 = new Thread(new Task(countDownLatch, "线程-2"));
        Thread t3 = new Thread(new Task(countDownLatch, "线程-3"));

        t1.start();
        t2.start();
        t3.start();

        Thread.sleep(2000);
        System.out.println("主线程执行任务完毕,放行......");
        countDownLatch.countDown();
        System.out.println("主线程执行完毕");

    }
}

执行结果

多线程(七、同步计数器-CountDownLatch)

2、主线程等待N个子线程的处理结果,子线程都完成后,主线程继续执行。

Task

package com.jane;

import java.util.concurrent.CountDownLatch;

public class Task1 implements Runnable {
    private CountDownLatch countDownLatch;
    private String name;

    public Task1(CountDownLatch countDownLatch, String name) {
        this.countDownLatch = countDownLatch;
        this.name = name;
    }

    @Override
    public void run() {
        try {
            System.out.println(name + "开始开始执行任务......");
            Thread.sleep(2000);
            System.out.println(name + "执行任务完成");
            countDownLatch.countDown();
        } catch (Exception e) {
            e.printStackTrace();
        }

    }
}

主线程

package com.jane;

import java.util.concurrent.CountDownLatch;

public class Main1 {

    public static void main(String[] args) throws InterruptedException {
        //主线程创建,和子线程共享
        CountDownLatch countDownLatch = new CountDownLatch(3);

        System.out.println("主线程启动......");

        //创建3个子线程
        Thread t1 = new Thread(new Task1(countDownLatch, "线程-1"));
        Thread t2 = new Thread(new Task1(countDownLatch, "线程-2"));
        Thread t3 = new Thread(new Task1(countDownLatch, "线程-3"));

        t1.start();
        t2.start();
        t3.start();

        System.out.println("主线程等待子线程执行结果......");
        countDownLatch.await();
        System.out.println("主线程执行完毕");

    }
}

执行结果

多线程(七、同步计数器-CountDownLatch)

注意:CountDownLatch的计数只能使用一次,不会自动重新开始。

转载于:https://blog.51cto.com/janephp/2404460

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