jvm基础篇

public static void main(String[] args) throws InterruptedException {
		
		long totleMemory=Runtime.getRuntime().totalMemory();
		long maxMemory = Runtime.getRuntime().maxMemory();
		System.out.println("-Xms=:"+(totleMemory/(double)1024/1024)+"MB");
		System.out.println("-Xmx=:"+(maxMemory/(double)1024/1024)+"MB");
		
		System.out.println("********hello world");
		Thread.sleep(Integer.MAX_VALUE);//线程在此停顿。
	}

第一种,查看参数盘点家底
jps -l                检查进程-pid
jinfo -flags {pid}    查看全部jvm信息      1: non-default vm flags=jvm默认值         2:command line=人工设置
jinfo -flag {具体参数/ThreadStackSize} {pid}
=================================================================
boolean开启或关闭
-XX:+UseparalleGC      //X参数:+表示开启,-表示关闭
===========================================================
key-value
-XX:MaxHeapSize=4253024256    //XX参数:配置具体值是K-V键值对
=================================================================
新生代占堆的1/3,老年代占堆空间的2/3,Eden占年轻代的8/10,from占1/10. to占1/10
-Xms1024m(-默认物理内存的1/64) -Xmx1024m(=最大物理内存的1/4)-Xss512k 栈空间私有大小一般(512k-1024k)
-Xmn    新生代大小
-Xms等价于-XX:InitialHeapSize         //初始堆内存
-Xmx等价于-XX:MaxHeapSize             //最大堆内存
-Xss等价于-XX:ThreadStackSize         //栈内存
==============================================================
第二种,查看参数盘点家底
java -XX:+PrintFlagsInitial           jvm默认  :=时修改过的 查看默认
java -XX:+PrintFlagsFinal -version    查看
修改
java -XX:+PrintFlagsFinal -XX:MetaspaceSize=512m {运行的java类名}
MetaspaceSize= 21807104
uintx MetaspaceSize:= 536870912         //(原空间)修改过的是:=
cls 清屏幕
java -XX:+PrintCommandLineFlags -version        //查看jvm重要参数
===============================================================
-XX:InitialHeapSize=132236864 -XX:MaxHeapSize=2115789824 -XX:+PrintCommandLineFlags 
-XX:+UseCompressedClassPointers -XX:+UseCompressedOops 
-XX:-UseLargePagesIndividualAllocation -XX:+UseParallelGC
================================================
{-XX:InitialHeapSize=132236864 
-XX:MaxHeapSize=2115789824 
-XX:+PrintCommandLineFlags 
-XX:+UseCompressedClassPointers 
-XX:+UseCompressedOops 
-XX:-UseLargePagesIndividualAllocation 
-XX:+UseParallelGC    //垃圾回收算法(并行回收算法)
java version "1.8.0_191"
Java(TM) SE Runtime Environment (build 1.8.0_191-b12)
Java HotSpot(TM) 64-Bit Server(服务端) VM (build 25.191-b12, mixed mode)}
====================================================================
-Xms128m -Xmx4096m -Xss1024k -XX:MetaspaceSize=512m -XX:+PrintCommandLineFlags -XX:+PrintGCDetails -XX:+UseParallelGC
UseParallelGC并行垃圾回收GC
MetaspaceSize默认20m
Xss栈默认512kb-1024kb,默认根据硬件决定大小

-Xms10m -Xmx10m -XX:+PrintGCDetails
============================================================================================================================
[GC (Allocation Failure) [PSYoungGen: 1003K->488K(2560K)] 1003K->632K(9728K), 0.0404763 secs] [Times: user=0.00 sys=0.00, real=0.06 secs] 
[GC (Allocation Failure) [PSYoungGen: 488K->496K(2560K)] 632K->700K(9728K), 0.0006947 secs] [Times: user=0.00 sys=0.00, real=0.00 secs] 
[Full GC (Allocation Failure) [PSYoungGen: 496K->0K(2560K)] [ParOldGen: 204K->586K(7168K)] 700K->586K(9728K), [Metaspace: 2933K->2933K(1056768K)], 0.0045085 secs] [Times: user=0.00 sys=0.00, real=0.00 secs] 
[GC (Allocation Failure) [PSYoungGen: 0K->0K(2560K)] 586K->586K(9728K), 0.0004559 secs] [Times: user=0.00 sys=0.00, real=0.00 secs] 
[Full GC (Allocation Failure) [PSYoungGen: 0K->0K(2560K)] [ParOldGen: 586K->562K(7168K)] 586K->562K(9728K), [Metaspace: 2933K->2933K(1056768K)], 0.0043698 secs] [Times: user=0.00 sys=0.00, real=0.00 secs] 
Heap
 PSYoungGen      total 2560K, used 102K [0x00000000ffd00000, 0x0000000100000000, 0x0000000100000000)
  eden space 2048K, 5% used [0x00000000ffd00000,0x00000000ffd19b40,0x00000000fff00000)
  from space 512K, 0% used [0x00000000fff00000,0x00000000fff00000,0x00000000fff80000)
  to   space 512K, 0% used [0x00000000fff80000,0x00000000fff80000,0x0000000100000000)
 ParOldGen       total 7168K, used 562K [0x00000000ff600000, 0x00000000ffd00000, 0x00000000ffd00000)
  object space 7168K, 7% used [0x00000000ff600000,0x00000000ff68c968,0x00000000ffd00000)
 Metaspace       used 2965K, capacity 4494K, committed 4864K, reserved 1056768K
  class space    used 324K, capacity 386K, committed 512K, reserved 1048576K
Exception in thread "main" java.lang.OutOfMemoryError: Java heap space
============================================================================================================================
-XX:SurvivorRato=8      Eden:s0:s1=8:1:1   Eden+s0+s1=young   //配置新生代伊甸园区和Survivor0和Survivor1区内存比
-XX:NewRatio=2          young:old=1:2		young+old=heap()   //配置新生代和老年代内存比
-XX:NewRatio=4 			young:old=1:4
==========================================================================
新生代到老年代需要在Survivor几次GC   jdk7以下31 (jdk8(0-15))
查询:jinfo -flag MaxTenuringThreshold 11685
-XX:MaxTenuringThreshold=15
创建的对象在经过15GC后还活着会被放置老年代区



  • 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