深入理解JVM——垃圾收集器与内存分配策略

第三章:垃圾收集器与内存分配策略

可达性分析算法

  •  在Java中就是通过可达性分析来判断对象是否存活的。

  • 算法的基本思路:通过一系列称为“GC ROOTS”的对象作起始点,从这些节点开始向下搜索,搜索经过的路径就是引用链。当一个对象到GC Roots 没有任何引用(即从GC Roots到这个对象不可达)时,证明此对象是不可用的。则对象会被判定为可回收对象。

  • 可作为GC Roots的对象:

    • 虚拟机栈(栈帧中的本地变量表)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(Native方法)栈中引用的对象

Java中引用的类型:

  • 强引用:普遍存在的引用,只要强引用还在,垃圾收集器永远不会回收。

  • 软引用:非必需,在系统将要发生内存溢出之前,会把这些对象列入回收范围进行二次回收。

  • 弱引用:被弱引用关联的对象只能生存到下一次垃圾收集之前。

  • 虚引用:为一个对象设置虚引用的唯一目的,就是在这个对象被垃圾收集器回收时收到一个系统通知。

对象的死亡

  • 当对象在可达性分析后发现没有与GC Roots相连的引用链,它会被第一次标记,并进行一次筛选。

  • 筛选的条件是:此对象是否有必要执行finalize方法

  • 如果此对象没有覆盖finalize方法,或finalize方法已被调用过(finalize方法只能被调用一次),则不会执行finalize方法。即对象会在第二次标记的时候被回收。

  • 如果对象执行了finalize方法,需要重新与引用链上任何一个对象建立关联。这样在第二次标记时,它会被移出“即将回收”的集合。

垃圾收集算法

  • 标记-清除算法:首先标记所有需要回收的对象,在标记完成后统一进行回收。效率不高,而且会产大量内存碎片。

  • 复制算法:它将可用的内存分为大小相等的两块,每次只使用其中的一块。在进行垃圾收集的时候,将还存活的对象复制到另一块区域上。然后清理掉这一块所有的已使用空间。只是代价太高,内存变为了原来的一半。

    • 虚拟机中新生代的回收就是使用的这种算法。只是虚拟机把内存分为了一块较大的Eden区域和两块较小的Survivor空间(8:1:1)。每次使用Eden区域和其中一块Survivor区域。回收时,将还存活的对象复制到另一块Survivor区域上。如果Survivor空间不够用时,可以使用老年代的内存进行分配担保。

  • 标记-整理算法:回收时,让所有存活的对象都向一端移动,然后直接清理掉端边界以外的内存。

    • 老年代使用的算法。

垃圾收集器

  • Serial:单线程收集器,在进行垃圾收集时,会暂停用户的所有工作线程。不过简单而高效,对应单CPU情况效率高。可以与Serial Old和CMS老年代收集器使用。

  • ParNew:Serial的多线程版本。它在单CPU情况下没有Serial好。也是能与Serial Old和CMS一块使用。

  • Parallel Scavenge:它的目标是尽可能高的吞吐量。可以与Serial Old和Parallel Old一块用。

  • CMS:以最短停顿时间为目标的收集器。基于“标记-清除”算法实现。可以与Serial和ParNew组合。

  • Serial Old:Serial收集器的老年代版本。可以与任意新生代收集器组合。

  • Parallel Old:Parallel收集器的老年代版本。只能与Parallel组合。

  • G1:最新的收集器。也是最强大的。它既可以收集新生代,也可以收集老年代。

对象的分配与回收策略

  • 大多数情况下,对象在新生代Eden区分配,当Eden中没有足够的空间时,虚拟机将发起一次Minor GC。

  • 对于足够大的对象,虚拟机会直接在老年代直接分配。

  • 虚拟机给每一个对象都定义了一个对象年龄计数器,对象每经历一次Minor GC年龄增加1岁,当年龄增加到一定程度(默认15岁),就会晋升到老年代。

  • 虚拟机并不是永远的要求对象年龄必须达到某个值,如果在Survivor空间中相同年龄所有对象大小的总和大于Survivor空间的一半,年龄大于等于该年龄的对象就可以直接进入老年代。

  • Minor GC:指发生在新生代的垃圾收集动作。比较频繁,速度也快。

  • Major GC:指发生在老年代的垃圾收集动作。一般发生Major GC就伴随着至少一次的Minor GC(在Parallel收集器里,有直接Major GC的动作),速度一般比Minor GC慢10倍。

  • Full GC:针对整个堆的GC。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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