JVM垃圾收集和内存分配

JVM垃圾收集和内存分配

引用计数法

  引用计数法是一种比较简单,但是效率很低的垃圾回收计数。每个对象都有一个引用计数器,当有引用连接到该对象的时候,计数器加1。当引用消除或者指向null,引用计数器减1。垃圾回收器在包含全部对象的列表上遍历,如果发现某个对象引用计数器为0,则释放其占用的空间。管理引用计数器的开销并不大,但是该任务会在整个程序运行的生命周期中持续进行,而且如果存在循环引用,有些对象的计数器不为0,然而该对象可能该回收了,这种回收方式很难定位一个交互自引用的对象,因此会失效。
  引用计数方式只是说明一下垃圾回收的工作,Java虚拟机未使用过该方式,运行以下代码,会发现GC将交互引用的对象回收了。

引用计数

package net.jvm.gc;

/**
 * 
 * @description ReferenceCountGC
 * <p>测试引用计数回收方式</p>
 * <codeVM Args: -XX:+PrintGCDetails</code>
 * 运行参数打印出gc日志
 * @author Yampery
 * @date 2017年6月18日 下午11:29:41
 */
public class ReferenceCountGC {

    public Object instance = null;
    private static final int _1MB = 1024 * 1024;
    private byte[] bigSize = new byte[2 * _1MB];

    public static void main(String[] args) {

        ReferenceCountGC gc1 = new ReferenceCountGC();
        ReferenceCountGC gc2 = new ReferenceCountGC();
        // 交互引用
        gc1.instance = gc2;
        gc2.instance = gc1;

        // 将这两个对象都置null
        gc1 = null;
        gc2 = null;

        // 这里发生垃圾回收
        System.gc();
    } ///main
} ///~

/**
 * GC日志:
 * [GC (System.gc()) [PSYoungGen: 5791K->632K(24064K)] 5791K->640K(78848K), 0.0287794 secs] 
 * [Times: user=0.00 sys=0.00, real=0.04 secs] 
 * [Full GC (System.gc()) [PSYoungGen: 632K->0K(24064K)] [ParOldGen: 8K->550K(54784K)] 640K->550K(78848K), 
 * [Metaspace: 2824K->2824K(1056768K)], 0.0189329 secs] [Times: user=0.00 sys=0.00, real=0.02 secs] 
 * ......
 */

可达性分析

  主流的程序语言通过一种称为可达性分析(Reachability Analysis)来判定对象是否可以回收。如下图所示,该方式通过一系列称为GC Roots的对象作为起点,从这些节点开始向下搜索,搜索所走过的路径称为引用链(Reference Chain),当一个对象通过引用链不能到达GC Roots,证明此对象是可回收的对象。图中obj11, obj22, obj33均是可回收的对象。
  
可达性分析

在Java中,可作为GC Roots的对象有以下几种:

  • 虚拟机栈中引用的对象;
  • 方法区中类静态属性引用的对象;
  • 方法区中常量引用的对象;
  • 本地方法栈中本地方法引用的对象。
      从上面可作为GC Roots的对象,可以看出,回收依据的思想是:一个存活的对象一定能够追溯到其在堆栈和静态存储区中的引用。

垃圾收集算法

复制

  复制方式可以将内存划分为大小相等的两块,每次仅使用一块,当这一块用完了,将存活的对象复制到另一块,然后将使用过的内存释放掉。这种方式带来的问题,当把对象复制到另一块内存时,所有指向对象的引用都要修正,并且,在程序运行稳定后,可能产生的垃圾对象不多,但是复制方式依然会将所有存活的对象从一处复制到另一处,这样就比较浪费了。

标记-清除

  从堆栈和静态存储区出发,遍历所有引用,当找到一个存活的对象,就标记这个对象,标记的过程中并不会回收任何对象;标记工作完成后,开始清理。没有标记的对象将全部被回收,采用这种方式,不会有任何复制的动作,因此剩下的堆空间是不连续的,如果希望得到连续空间的话,就要重新整理余下的对象。

标记-整理

  标记-整理是为了解决标记-清除

垃圾收集器

  如下,垃圾收集器一览表

垃圾收集器描述算法作用域
Serial最基本的单线程收集器复制算法新生代
Serial OldSerial的老年代版本标记-整理老年代
ParNew相当于Serial的并行版本复制算法新生代
Parallel Scavenge并行的新生代收集器,吞吐量优先复制算法新生代
Parallel OldParallel Scavenge标记-整理老年代
CMS(Concurrent Mark Sweep)并行和并发,停顿时间优先,适用于强交互行的B/S系统以及互联网标记-清除新生代
G1(Garbage-First)并行和并发,将Java堆化整为零整体标记-清除,局部复制算法Java堆
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