深入Java虚拟机--判断对象存活状态

程序计数器,虚拟机栈和本地方法栈

  首先我们先来看下垃圾回收中不会管理到的内存区域,在Java虚拟机的运行时数据区我们可以看到,程序计数器,虚拟机栈,本地方法栈这三个地方是比较特别的。这个三个部分的特点就是线程私有的,它们随着线程的创建而诞生,也因线程的结束而灭亡。栈中的栈帧随着方法的进入和退出会有条不絮的执行着进栈和出栈。每一个栈帧中分配多少内存,基本上是在类结构确认下来的时候就已知的,因此这几个区域的内存分配和回收都具备确定性,在这几个区域内就不需要过多考虑回收的问题,因为方法结束或者线程结束,内存自然就跟随着回收了。

 

Java堆和方法区

  我们讨论的垃圾回收,主要就是关于Java堆中废弃对象的回收。Java堆和方法区中,一个接口中的多个实现类需要的内存可能不一样,一个方法中的多个分支需要的内存也可能不一样,我们会在程序运行的时候动态创建对象,这部分内存的分配和回收也是动态的,垃圾收集器所关注的是这部分内存如何进行回收。

 

对象状态判断

  研究对象的回收之前,我们需要先看一下如何进行判断对象是否还有存活价值,即要先判断对象是否还有被引用,这是我们进行垃圾回收的第一步,判断对象存活状态。接下来我会讲一下几种判断的方法。

 

   1.、引用计数法

       一个比较通俗的方法就是当对象在创建的时候,就给对象创建一个对象计数器,每当有一个地方引用到这个对象的时候,计数器加一;当引用失效的时候,计数器减1;任何时候计数器为0的对象就是不可能被使用的,就是我们所认知的 --死亡对象。 客观地说,引用计数算法的实现比较简单,判定效率也很高,在大部分情况下它都是一个不错的算法,也有一些比较著名的应用案例,例如微软公司的COM(Component Obejct Mode)技术,使用ActionScript3的FlashPlayer等技术都引用了技术算法进行内存管理。 但是,至少主流的Java虚拟机里面没有用到引用计数算法来管理内存,之中最主要的问题就是他很难解决对象之间相互循环引用的问题:

 

复制代码
public class ReferenceGc {
    public Object instance = null;
    public static void main(String[] args){
        ReferenceGc gcA = new ReferenceGc();
        ReferenceGc gcB = new ReferenceGc();
        gcA.instance=gcB;
        gcB.instance=gcA;
        gcA=null;
        gcB=null;

        System.gc();
    }
}
复制代码

 

    这里面如果采用的是引用计数算法来进行垃圾回收的话,这种对象明明是没有使用,但是却仍然占内存,在Java中,这种情况是非常常见的,所以这种算法并不能解决Java中对象相互引用的问题,所以Java虚拟机判断对象存活状态的算法是选择了接下来介绍的--可达性分析算法。

 

    2、可达性分析算法

                

      这个算法的基本思想是,通过一系列的GC Roots 的对象作为七点,从这些节点开始的向下搜索,搜索所走过的路径成为引用连,当一个对象到GC Roots 没有任何引用链相连时,则证明此对象时不可用的。 如上图所示,虽然Object5,Object6和Object7相互有引用,但是他们与GC Roots间是不可达的,所以它们将会被判定为使可回收的对象。

 

      大家可能会很疑惑,那为什么Object5为什么不能当GC Roots呢?

         首先,我们要规定好GC Roots的定义范围,并不是说所有的对象都能够成为GC Roots:

         在Java 语言中,可作为GC Roots 的对象包括下面几种:

             - 虚拟机栈(栈帧中的本地变量表)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JNI引用的对象

 

 

对象在被回收前最后的自我救赎

  

    上面我们说完了Java虚拟机中判断对象存活状态的算法,那么是不是说我们判断出对象时没有(有效)引用之后就会被马上回收呢?实际上并不是这样的,即时在可达性分析分算法中不可达的对象,也并非是“非死不可”的,这时候它们暂时处于“缓刑”阶段。

      对象要被宣告死亡要经历两个阶段:

           第一个阶段就是可达性分析,判断对象是否具有有效引用

           第二个阶段就是判断对象是否有必要执行 finalize()方法。当对象没有覆盖finalize()方法或者finalize()方法已经被虚拟机调用过,虚拟机将这两种情况称为“没有必要执行”,就是对象已经没有任何机会完成救赎。

 

复制代码
package com.Shop.Test;

/**
 * Created by Administrator on 2016/7/25.
 */
public class FinalizeEscapeGc {
    private static FinalizeEscapeGc SAVE_HOOK = null;
    public void isAlive(){
        System.out.println("yes, i am still alive");
    }

    @Override
    protected  void finalize() throws Throwable{
        super.finalize();
        System.out.println("finalize method executed!");
        FinalizeEscapeGc.SAVE_HOOK = this;
    }

    public static void main(String[] args) throws InterruptedException {
        SAVE_HOOK = new FinalizeEscapeGc();
        SAVE_HOOK = null;
        System.gc();
        Thread.sleep(500);
        if(SAVE_HOOK!= null){
            SAVE_HOOK.isAlive();
        }else{
            System.out.println("no ,i am dead ");
        }


        SAVE_HOOK = null;
        System.gc();
        Thread.sleep(500);
        if(SAVE_HOOK!= null){
            SAVE_HOOK.isAlive();
        }else{
            System.out.println("no ,i am dead ");
        }
    }
}
复制代码

 

 

输出结果:

 

 

 

finalize method executed!
yes, i am still alive
no ,i am dead

 

 

      我们可以看到,在对象“死亡”之后,并没有马上死亡,我们覆盖了父类的finalized 方法,这时候就会给对象一次救赎的机会,但是也就仅此一次,当对象第二次“死亡”的时候,我们发现,即使是覆盖了finalized方法也没有办法再去拯救这个对象了。

      从上面的例子我们可以很直白的理解这个finalized方法在垃圾回收中起到的作用,那就是一次且仅一次救赎的机会。

 

方法区的回收

   实际上方法区还是会进行垃圾回收,但是效率远远比不上堆中垃圾的回收,因此在垃圾回收中经常会被忽略掉。方法区中,垃圾收集的主要内容分为两部分:废弃常量和无用的类

     1. 废弃常量

        这部分我们会比较容易理解,就举一个简单的例子,String str= "abc";这时候abc就已经进入了常量池中,当str改变类值,那么久没有对象引用"abc"这个常量,这时候,"abc"就会被系统清理出常量池。常量池中的其他类、方法、字段的符号引用也是如此

    

    2. 无用的类

        判定一个类是否是无用的类的条件相对苛刻许多。类需要同时满足以下三个条件才能算是“无用的类”

            1。该类所有的实例都已经被回收,也就是Java堆中已经不存在该类的任何实例

            2。加载该类的ClassLoader已经被回收

            3。该类对象的Java.lang.Class 对象没有在任何地方呗引用,无法再任何地方通过反射访问该类

       虚拟机可以对满足上述3个条件的无用类对象进行回收,这里说的仅仅是“可以”,行不是和对象一样,不适用就必然回收。

      

       需要对HotSpot虚拟机的参数进行设置,控制回收。

       一般情况下我们不会对方法区的无用类进行回收,但是在大量使用反射,动态代理、CGLib等ByteCode框架、这类频繁自定义ClassLoader的场景都需要虚拟机具备类卸载的功能,以保证永久代不会溢出。

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