java-锁_自我理解

引入锁概念

代码:

package com.audition.lock;

import java.util.concurrent.atomic.AtomicInteger;

/**
 * Created with IntelliJ IDEA.
 *
 * @Auther: 两杯水
 * @Date: 2021/03/03/11:15
 * @Description:
 */
public class A {
    int num = 0;
    public long getNum(){
        return num;
    }

    /**
     *,0.无锁控制,多线程情况下回出现问题
     */
    public void incu0(){
        num ++;
    }

    /**
     * 1.有锁控制:锁住的是incu1这个内部方法
     */
    public synchronized void incu1(){
        num ++;
    }

    /**
     * 2.有锁控制:锁住的是incu2这个内部方法,this是代表了incu2,此方法和1中直接在方法上加synchronized意义一样
     */
    public  void incu2(){
        synchronized (this){
            num ++;
        }
    }

    /**
     * 3.有锁控制:锁住的是整个A类,
     */
    public synchronized static void incu3(){

    }

    /**
     * 4.有锁控制:锁住的是整个A类,和3等同
     */
    public  void incu4(){
        synchronized (A.class){
            num ++;
        }
    }

    /**
     * 5.使用的是Atomic下的类,效率高,底层用了CAS操作,比较并交换
     */
    AtomicInteger atomicInteger =  new AtomicInteger();
    
    public long getNum1(){
        return atomicInteger.get();
    }

    public  void incu5(){
        atomicInteger.incrementAndGet();
    }
}

synchronized

synchronized在锁this对象后,线程只会有一个能拿到this对象访问权限,执行其中的代码,其余的代码则等待。

等待时,其他线程干什么去了?

JDK1.6以前,在一个线程拿到锁执行代码后(Monitor),其他线程会放到一个队列中,等待线程1释放锁,这样实现性能就会有问题。

性能有问题的原因:
1.放在队列中的线程需要被唤醒
2.线程有可能会被阻塞
3.上下文切换
4.操作系统线程的调度

JDK1.6以后,引入了集成了集中状态,无状态、偏向锁、轻量级锁、重量级锁
优化原因:在jvm执行时,通常一个代码块可能在一个线程访问了很多次之后,才会有另一个线程过来访问,这样从一开始就对线程加锁就会很耗费资源,造成性能损耗,所以要优化加锁机制
优化:
偏向锁:在线程内部写一个ID(写在mark word里面的偏向锁标记位,里面有是否启用偏向锁标识0和1),下次释放完锁,之后线程又来加锁,不要做其他操作,比较下线程内部ID,如果一样,直接让线程执行。
轻量级锁:如果有多个线程来加锁,cas操作,让多个线程来争抢。
重量级锁:如果线程数量很多,很多线程都在cas外空转(线程比较少,但是空转时间长也会升级为重量级锁),会导致cpu损耗,这个时候就要用到重量级锁。放到队列中去

由于轻量级锁在进行cas操作时,另一个线程在外空转时间过长,就会引入重量级锁,所以引入另一种JDK未实现的优化,如下:
使用longAdder底层-分段CAS锁机制
分段CAS锁机制:多个线程访问同一个资源时,当一个线程在堆资源进行操作,其他线程来执行代码,底层把把资源复制为一个相同数据数组,让其他线程来访问服务出的数据资源。当线程数不多时,减少已复制的数据数组。

在这里插入图片描述

轻量级锁一定比重量级锁性能高?

不一定,轻量级锁如果争抢锁的时间过多,也可能会造成过多的性能损耗。

CAS:

无锁。自旋锁。乐观锁。轻量级锁

1.容易造成ABA问题:**解释:两个线程同时访问同一个内存数据,A线程短时间内修改了内存中的数据两次,一次修改为其他值,一次修改回原                      值。B再去修改,没有发现数据修改了,直接改变为其他值了。**
                **解决:加版本号控制**

2.原子性问题:**AtomicInteger解决方式:JAVA源代码,C++底层代码:lock cmpxchgq 来判断机器是否是多核,如果是,就在比较之前上             把缓存或者总线锁。**
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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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 2
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