JUC_1-volatile 关键字 内存可见性

3 篇文章 0 订阅

 

volatile 关键字 内存可见性

引入:

一个线程flag值为true了,而另一个线程flag值为false,这是涉及到内存可见性问题

当运行程序时,JVM都会为每一个执行任务的线程分配一个独立的缓存。

    当支线程对主存中的共享资源进行改变时,先会将共享资源读取到支线程的缓存中来,然后对flag值进行改变,再将flag值写到主存中。但在写之前main线程将共享资源读到main线程的缓存中,此时flag值为false;main线程读完以后,支线程flag值写回到主存中,然后执行打印语句flag is true。

    但main线程中的flag值为false;main线程执行while(true)时,while(true)是调用底层代码执行效率高,没有机会对主存中的flag修改的值进行读取,就反复执行 flag值一直都是false。

    这就是内存可见性问题,问题在于多个线程操作共享数据时,都有独立的缓存,对操作的数据彼此是不可见的。

 

    使用同步锁能解决上述问题,但用同步锁效率非常的底,当有多个线程对此代码访问,一个线程持有demo锁,相应其它线程访问以判断有其它线程在占用demo这把锁,这个线程就阻塞挂起,下次等待CPU非配任务再来执行。

    public static void main(String[] args) {

        ThreadDemo demo = new ThreadDemo();

        new Thread(demo).start(); //支线程

        while(true){

            synchronized (demo) {

                if(demo.isFlag()){

                System.out.println("如果flag为true,执行次语句");

                break;

                }

            }

        }

    }

    不想枷锁 但又有内存可见性问题 这时候使用 Volatile关键字   对共享资源加上volatile

volatile 关键字:当多线程进行操作共享数据时,可以保证内存中的数据可见  

volatile调用计算机底层的代码 内存栅栏,时时刻刻缓存将修改的数据实时刷新到主存内中

 

比锁的效率要高  volatile效率低,低在JVM的优化,叫重排序,使用volatile关键字以后不能重排序

 1.volatile相较于sychronized比,volatile是一种较为轻量级的同步策略。

 2.volatile 不具备“互斥性”  sychronized互斥性是一个线程持有锁,其它线程无法进来,当线程释放锁,其它线程才能执行

 3.volatile 不能保证变量“原子性”

public class TestVolatile {

    /* 一、Volatile 关键字:当多线程进行操作共享数据时,可以保证内存中的数据可见 */

    public static void main(String[] args) {

        ThreadDemo demo = new ThreadDemo();

        new Thread(demo).start(); //支线程

        while(true){

            if(demo.isFlag()){

            System.out.println("如果flag为true,执行次语句");

            break;

            }

        }

    }

}

// 旗帜flag原来为false 然后让线程sleep 150ms, 线程睡醒后将flag改为true

class ThreadDemo implements Runnable{

    private volatile boolean flag = false;

    public void run() {

        synchronized (this) {

            try {

                Thread.sleep(150);

            } catch (InterruptedException e) {

                e.printStackTrace();

            }

            flag = true;

            System.out.println("flag is "+isFlag());

        }

    }

    public boolean isFlag() {

        return flag;

    }

    public void setFlag(boolean flag) {

        this.flag = flag;

    }

}

 

 

 

 

 

 

 

 

 

 

 

 

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。 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。 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,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