轻轻松松带你了解线程与进程

一:进程与线程介绍

进程:进程是程序(任务)的执行过程,持有资源(共享内存,共享文件)和线程。比如eclipse,qq在运行后都是进程。

线程:进程运行时的一个功能,比如用qq打字聊天,上传照片都是不同的线程。

线程的特点:1. 线程是系统中最小的执行单元      2 .同一进程中有多个线程         3. 线程共享进程的资源

 

举例:如果把进程比作班级,班级的每个学生都可看作线程,教室中扫把,垃圾桶(资源)都是学生们的共享资源。

 

二:多个线程的交互

争用条件:当多个线程同时共享访问同一数据(内存区域时),每个线程都尝试操作该数据,从而导致数据被破坏,这种现象称为争用条件。

解决争用条件的方法:线程的互斥与同步

互斥:在同一时间只能有一个线程对我们的关键数据或者临界区进行操作。
同步:线程之间的一种通信机制,比如说一个线程做完某一件事情时,用某种方式去告诉其它线程我做完了。

 

线程的互斥解决途径:
首先定义一个锁对象  private final Object lockObject = new Object()

然后使用synchronized关键字加锁。
synchronized(lockObject ) 给我们线程加上一把锁,java语法保证同一时间,只能有一个线程获得我们的lockObject 锁对象
例如:
synchronized(lockObject ){
     关键代码(需要进行互斥操作的代码)....
}

 

线程同步解决途径:
wait(),线程进入wait set中等待
notify()  ,唤醒wait set(等待池)中的一条线程,是哪条,随机的
motifyAll(),  唤醒wait set(等待池)中的所有线程,唤醒的线程又可以去竞争资源。

 

下面举个例子让你分分钟了解线程互斥与同步

女神在周日想约会,张三,李四,王五,小东都想跟女神约会,但是女神为了防止屌丝们打架,同一时间只能跟一个男生约会,最终女神决定跟小东约会,小东就给女神加了把锁(synchronized关键字)别的屌丝就没戏了,这就是互斥。
但是有一个周末女神生病了,屌丝们又来约女神了,女神说我生病了要呆在家里,不约会了,你们都等着吧(相当于调用了wait()方法,屌丝们都在wait set中等着),到了下个周末女神用微信给屌丝们发了一条信息(“我的病好了,今天可以约会”,这相当于notifyAll() 方法),屌丝们快乐的从等待池(wait set)中出来,都又一起约女神,这就是同步。

 

三:线程中的常用方法

   Thread.yield(); 目标线程让出cpu,下次哪个线程执行是随机的
   Thread.join();  目标线程将一直执行,不会被打断,其它线程会等待
   Thread.sleep(1000) 目标线程休眠一段时间,参数为毫秒级,1000为1秒

 

四:线程中容易用错的方法

        stop()方法这是一个错误退出线程的方法,因为,线程调用这个方法后,线程还没执行完,就会被强行停止,你想想,如果这发生在我们对数据库的一个事务进行操作中,会有什么现象了?
        正确的退出线程的方法就是设置一个标志位keepRunning,的当keepRunning=true时线程执行,keepRunning=false时,线程退出,这样线程会执行完才会退出线程。这样保证线程的安全,这才是我们推荐退出线程的方法。

        有人说interrupt()方法也能停止当前线程,其实interrupt()方法的初衷并不是用于停止线程,interrupt()是中断我们的线程,如果我们只是调用interrupt()方法线程不会停止,还会继续执行。如果我们一定要使用interrupt()停止线程执行时,需要了解一下isInterrupted()方法,返回一个boolean值(但是这个缺点是,运行中不能跟sleep()合用,会出错,所以一般也不用况请自己)。实现原理和上面的设置标志位退出线程相似。

 

 

各位看官,是否对进程与线程有了清晰的了解了,下次我们再见~谢谢观看

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