深入理解JVM虚拟机开篇:JVM介绍与知识脉络梳理

JVM核心知识体系与面试高频考点解析 Java虚拟机(JVM)作为Java生态的核心运行时环境,其内存管理机制和类加载体系是理解Java程序执行原理的关键基础。从内存模型来看,JVM通过方法区、堆、虚拟机栈等不同数据区域实现高效的内存分配与访问控制,其中JDK8的元空间改进和字符串常量池迁移是重要的优化点。在垃圾回收方面,从基础的标记-清除算法到G1、ZGC等现代回收器的演进,体现了对低延迟、高吞吐量的持续追求。这些技术不仅支撑着企业级应用的稳定运行,也是面试中考察Java开发者底层功底的重要维度。通过JOL工具分析对象内存布局,结合MAT进行 阅读详情

 https://blog.youkuaiyun.com/a724888/article/details/77992936

完整内容欢迎阅读我的博客专栏:深入理解JVM虚拟机

转自:https://mp.weixin.qq.com/s/EjVfk1iOuQUjLfPxt_DJ7Q

我

是大名鼎鼎的Java 虚拟机,  据说这个星球上每天有900多万程序员和我打交道,这真是一个惊人的数字。 这900多万人中不少人对我的技术内幕非常感兴趣, 有事儿没事儿都要把我“大卸八块”, 深入了解一下。甚至还有人从我的出生地--源代码--开始看起,弄得人家连一点隐私都没有了。

 

当然也有很多人对我的运行机理爱理不理, 理由很简单: Java虚拟机相关的事情只有在面试时才会问道,背诵一下那些垃圾回收算法,应付过去就可以了!

 

真的是这样吗?  面试官为什么喜欢问JVM原理? 难道他们没什么可问的了? 或者是只是为了展示他们的卓尔不群? 高人一等?压你一头?

 

我想都不是,  请注意一下我的名字: Java虚拟机,  我是一个虚拟机啊!

 

虽然不是像VMWare, VirtualBox那样可以完全虚拟出一个包括内存,硬盘,CPU的硬件计算机出来, 我至少也是个Soft CPU啊, 有自己的指令集,有自己独有的可执行文件格式, 有自己独特的基于栈而不是寄存器的执行方式,还有那久经考验的垃圾回收机制......

 

作为一个口口声声说热爱编程,立志有写出伟大软件来改变世界的程序员, 少年, 难道你竟然对这么有趣的东西视而不见?

 

对软件技术的好奇心是你最终成为伟大程序员的第一驱动力, 如果你对技术不愿意深究, 不愿意了解背后的原理,如果你不愿意像一个调皮捣蛋的熊孩子那样把一个玩具变成零件,然后再组装起来(嗯, 实际上永远都组装不起来了) , 我真的怀疑你在这个行业能呆多久,走多远。

 

我刚才提到了有趣, 那真的有用吗?

 

表面上看是没有用处的,至少短期看来是没有用处的, 你写程序,运行程序,然后吃饭,睡觉。

 

管你什么基于栈的虚拟机,什么方法区,堆, 垃圾回收,  生活很美好,世界也很大, 我想去看看, 不要用这些烦心事来烦我。

如果你想一直生活在软件开发的表层, 那肯定是没有问题的, 如果你想像Neo那样,把这个世界看个清清楚楚,明明白白,真真切切, 就需要修炼一下内力, 做为Java 程序员, 理解Java虚拟机就是那个扎马步的基本功。

 

举个例子, 理解Class 文件格式, 就能理解ASM是怎么在运行时“艰难的”动态生成字节码的, 然后就会知道CGLib是怎么改善它, 让它容易使用的。  而CGLib可是Spring AOP赖以生存的一大基础啊。 这一路走来,是不是对AOP的理解更加透彻了?

 

你脑海中甚至能想象出来字节码怎么被动态的创建,被Classloader 加载, 形成新的Class,   然后对你的业务类进行拦截的过程。

看透世界的感觉不要太爽,    如果你非要说我会用Spring 的AOP就行了, 那我也没办法, 人各有志嘛。

 

扩展一下, 现在我的家中上入住了不少动态语言, Jython, JRuby , Clojure , Scala 等等, 他们可都需要动态的生成字节码来运行啊(码农翻身备注: Scala 也可以直接编译成class 文件), 你看看理解了Class 文件格式得有多大的好处。

 

还有啊, 理解了一些重要的字节码指令以后,你就会知道所谓的面向对象, 尤其是你写的那些个漂亮的OO代码, 在我这里已经“退化”成函数调用了, 不知道你会不会沮丧, 但是没有办法, 咱们计算机的本质就是这样,顺序,循环,分支, 函数调用。 作为补偿, 我会让你了解多态的秘密, 这可是很多面向对象语言的基础。

 

说到函数调用, 你写的Java程序在运行时会形成的栈帧, 这可真是一个超级重要的概念, 不仅在我这里有,物理CPU和内存在运行本地代码的时候也有,虽然我和他们的结构不同, 但都是为了完成一个目的:  表达一个函数在运行时的结构。

 

了解了这个家伙, 你就知道函数在机器级是怎么调用的, 参数是怎么传递的, 递归是怎么回事, 尾递归是怎么回事(我竟然不支持!) 。  也许你会跑去看看汇编, 去看看缓冲区溢出攻击, 各种知识点开始连接,形成一张大网,这种感觉是极爽的。

 

这样的例子我还可以举出很多,但是估计很多人已经不耐烦了,就此打住。

 

你们人类说计算机是门科学, 但是科学的成分在哪里呢?  在我看来更像一门工程或者技术,  核心的基础概念真的不多, 花点功夫把他们掌握了,受益终生。

 

前些天我偷偷地阅读了你们的小说《天龙八部》, 里边的扫地僧可真是厉害, 轻轻松松就把慕容博和萧远山两位绝顶高手制得服服帖帖,老老实实, 这说明的什么问题? 内功的修炼真是很重要啊。

 

jvm.png

前言

 JVM(Java Virtual Machine)Java 虚拟机是整个 java 平台的基石,是 java 系统实现硬件无关与操作系统无关的关键部分,是保障用户机器免于恶意代码损害的屏障。Java开发人员不需要了解JVM是如何工作的,**但是,**了解 JVM 有助于我们更好的开(通)发(过) java(公司) 程(面)序(试)。

写这篇文章的目的:

  • 总结所学的 JVM 知识
  • 帮助想了解 JVM 的朋友,知无不言,言无不尽

本篇文章将会介绍一下内容:

什么是 JVM

要想说明白什么 JVM 就不得不提另外两个概念,JRE 和 JDK,初学者总是把这几个概念搞混

java-tutorial.png

 

Jvm,Jre,Jdk 都是 java 语言的支柱,他们分工协作。但不同的是 Jdk 和 Jre 是真实存在的,而 Jvm 是一个抽象的概念,并不真实存在。

JDK
JDK(Java Development Kit) 是 Java 语言的软件开发工具包(SDK)。JDK 物理存在,是 programming tools、JRE 和 JVM 的一个集合

jdk.png


JRE
JRE(Java Runtime Environment)Java 运行时环境,JRE 物理存在,主要由Java API 和 JVM 组成,提供了用于执行 java 应用程序最低要求的环境。

jre.png

 

JVM
JVM(Java Virtual Machine) 是一种软件实现,执行像物理机程序的机器(即电脑)。
本来,Java被设计基于从物理机器分离实现WORA( 写一次,随处运行 )的虚拟机上运行,虽然这个目标已经几乎被遗忘。
JVM 并不是专为 Java 所实现的运行时,实际上只要有其他编程语言的编译器能生成正确 Java bytecode 文件,则这个语言也能实现在JVM上运行。
因此,JVM 通过执行 Java bytecode 可以使 java 代码在不改变的情况下运行在各种硬件之上。
jVM 有如下特点:

  • 基于堆栈的虚拟机 :最流行的计算机体系结构,如英特尔X86架构和ARM架构上运行基于寄存器 。 但是,JVM是基于栈的。
  • 符号引用 :除了基本类型以外的数据(类和接口)都是通过符号来引用,而不是通过显式地使用内存地址来引用。
  • 垃圾收集 :一个类的实例是由用户明确创建的代码和垃圾回收自动销毁。
    通过明确界定的基本数据类型的保证平台的独立性 :传统的语言,如C / C ++根据平台有不同的int型的大小。 JVM中明确规定了基本数据类型,以保持它的兼容性和保证平台的独立性。
  • 网络字节顺序 :Java class文件用网络字节码顺序来进行存储:为了保证和小端的Intel x86架构以及大端的RISC系列的架构保持无关性,JVM使用用于网络传输的网络字节顺序,也就是大端。

**Java bytecode **
为了实现WORA,JVM使用Java字节码,java(用户语言)和机器语言之间的中间语言。
该Java字节码是部署Java代码的最小单位。

JVM 用来做什么

基于安全方面考虑,JVM 要求在 class 文件中使用许多强制性的语法和机构化约束,但任意一门功能性语言都可以表示为一个能被 JVM 接受的有效的 class 文件。作为一个通用的、机器无关的执行平台,任何其他语言的实现者都可将 JVM 当作他的语言产品交付媒介。

JVM 中执行以下操作:

  • 加载代码
  • 验证代码
  • 执行代码
  • 提供运行环境

JVM 提供定义了:

  • 存储区
  • 类文件格式
  • 寄存器组
  • 垃圾回收堆
  • 致命错误报告等

JVM 生命周期

  • 启动:任何一个拥有main函数的class都可以作为JVM实例运行的起点
  • 运行:main函数为起点,程序中的其他线程均有它启动,包括daemon守护线程和non-daemon普通线程。daemon是JVM自己使用的线程比如GC线程,main方法的初始线程是non-daemon。
  • 消亡:所有线程终止时,JVM实例结束生命。

JVM 的整体架构

先看一下 java 代码执行过程

关于Jvm知识看这一篇就够了

转自: 纯洁的微笑 纯洁的微笑 3月11日

2016年左右的时候读了周志明《深入理解Java虚拟机:JVM高级特性与最佳实践》,读完之后受益匪浅,让我对Java虚拟机有了一个完整的认识,这是Jvm书籍中最好的读物之一。

 

后来结合实际工作中遇到的问题,写了一系列关于Jvm的文章,其中开篇的几篇内容大部分参考于此书,后期加入自己一些实战的理解,转载了几篇高质量的文章,就形成了此系列读物。

 

 

 

在金三银四的跳槽季中,很多小伙伴们都已经蠢蠢欲动,将此系列文章整理出来,希望可以帮助到大家。

 

 

 

第一篇文章讲的是Java类的加载机制,也是我在博客园最收欢迎的Jvm文章,读完之后你会了解什么是类加载器、类加载机制、双亲委派模型等内容。

 

 

这篇文章描述了Java虚拟机的内存结构,内存每个区域作用,如何通过参数对各个区域进行控制。

 

 

讲述了Jvm垃圾回收的经典算法,以及各种垃圾回收机制,对象存活判断等。

 

这篇文章讲述了如何通过Jvm命令去调优,各Jvm命令使用方法。

 

 

这是非常有名的一张图,简单明了展示了GC日志的构成

文章介绍如何分析GC日志来诊断Java项目的运行状态,GC分析是生产调优的重要手段之一。

 

一名网友根据GC日志,进行Jvm调优的经典案例

 

介绍了Jvm调优各种工具的使用

 

如何你只是想通过面试,其实只要看一篇就够了,这篇文章将Jvm中的关键知识点进行了汇总。

 

翻译自国外的一篇Java GC文章,文章详细描述几种GC调优的方式,值得借鉴。

 

也是线上一场线上Jvm实战调优的经历,看着挺爽。

 

Java 8 Jvm内存变化

 

杜琪翻译的 Java 8 的新特性。

 

我们曾经线上出现事故后,定位分析的经历,结局出乎意料。

《深入理解计算机系统》学习指南:从底层原理到高性能编程实践 计算机系统是软件运行的基石,其核心在于理解信息如何从高级语言转化为机器指令,并通过硬件协同工作。这一过程涉及程序的结构与执行、系统资源管理以及程序间通信等关键原理。掌握这些底层机制,对于进行性能优化、系统设计和高并发编程具有重要技术价值。例如,理解存储器层次结构和局部性原理,能指导我们编写缓存友好的代码,显著提升数据密集型应用的性能;而深入进程、虚拟内存和异常控制流,则是构建稳定后端服务和容器化技术的基础。本文围绕《深入理解计算机系统》这本经典教材,探讨如何通过理解计算机系统的工作原理,来解决缓存优化、并发 阅读详情

相关推荐

C++碰撞检测库FCL安装(MinGW,CMake)

FCL碰撞检测库、libccd\Eigen库编译配置,全流程问题记录

weixin_45650767的博客 4678

JVM 看这一篇就够了

初识JVM规范从三种角度认识JVM 在这里插入图片描述 JVM概述 JVM:Java Virtual Machine,也就是Java虚拟机 所谓虚拟机是指:通过软件模拟的具有完整硬件系统功能的、运行在一个完全隔离环境中的计算机系统 JVM是通过软件来模拟Java字节码的指令集,是Java程序的运行环境 JVM主要功能 通过 ClassLoader 寻找和装载 class 文件 解释字节码成为指令并执行,提供 class 文件的运行环境 进行运行期间的内存分配和垃圾回收 提供与硬件交

leeta的博客 527

Google AI Skills Badge 30天实战路径:从Prompt工程到AI工作流落地

提示工程(Prompt Engineering)是人机协同的核心能力,本质是将模糊业务意图精准转译为机器可执行、可验证的指令流。其原理植根于大语言模型的token匹配机制与上下文理解范式,技术价值在于突破传统自动化边界,实现低代码、高适应性的AI应用构建。典型应用场景覆盖客户服务归类、财报摘要生成、邮件智能分析等企业高频任务。本路径以Google官方AI Skills Badge为载体,融合神经科学验证的30天学习节拍、结构化输出设计、AI响应可信度评估等关键实践,突出Prompt Engineering与

weixin_30410119的博客 389

机器学习、深度学习、人工智能的区别与联系

人工智能人工智能是一门研究如何使计算机系统能够执行需要人类智能的任务的科学和工程领域。这包括理解自然语言、感知环境、学习、决策制定等方面的技术。人工智能的主要目标是模拟和复制人类智能的各个方面,使计算机系统能够执行类似于人类的认知和问题解决任务。这包括推理、学习、感知、语言理解等。机器学习机器学习是一种人工智能的分支,关注如何使计算机系统通过从数据中学习模式和规律来改进性能,而无需显式地进行编程。机器学习的目标是使计算机系统具有从经验中学习的能力,以便在面对新的输入时能够做出准确的预测或决策。

csdn1561168266的博客 1847

把“思考”塞进 1 KB:我用纯 C 语言给单片机手搓了一个微型 Transformer 推理引擎

摘要:本文探讨了在64KB SRAM的MCU(如STM32H743)上部署精简Transformer模型的技术方案。通过将6层Transformer压缩至1层(隐藏维度128)、4-bit KV-Cache量化等优化手段,实现了240KB Flash占用和59KB RAM峰值,推理延迟184ms(400MHz Cortex-M7),准确率96.1%。关键创新包括:手工优化矩阵乘(CMSIS-NN)、查表法Softmax/LayerNorm、权重按Tile重排提升Cache命中率(60%→94%)。

qq_74383080的博客 2924

别再只会插卡了!用示波器实测SIM卡上电时序与通信波形(附故障排查)

本文深入解析了SIM卡通信的电气信号与时序规则,通过示波器实测波形揭示SIM卡上电时序与通信协议的关键细节。从VCC、CLK、RST、DATA四路信号的协同工作,到ATR(Answer to Reset)的解析,再到常见故障的波形诊断与排查方法,为硬件工程师提供了实用的调试指南。文章还分享了高级调试技巧与现代化工具链搭建建议,帮助提升物联网设备SIM卡通信的可靠性与效率。

weixin_42567279的博客 330

关于Jvm知识看这一篇就够了

2016年左右的时候读了周志明《深入理解Java虚拟机:JVM高级特性与最佳实践》,读完之后受益匪浅,让我对Java虚拟机有了一个完整的认识,这是Jvm书籍中最好的读物之...

纯洁的微笑 1081

Cesium 实现动态加载气象数据:渲染成动态雨雪/云层效果(源码 + 原理)

本文介绍了在Cesium中实现动态天气效果的技术方案。核心思路是通过时间轴驱动多层数据动态切换,包括:1)时间维度处理,按序列加载不同气象图层;2)空间维度处理,将气象数据切分为瓦片;3)效果层实现,制作风场、降水等动态可视化效果。文章详细讲解了后端数据预处理(生成瓦片和风场JSON)、前端实现(双层雷达瓦片交替渐变、风场粒子系统)的具体方法,并提供了完整的代码示例。此外还探讨了雨雪粒子、云层效果等增强功能,以及工程化建议,为构建科学准确的动态天气可视化系统提供了实用解决方案。

专注AI大模型,软件混淆,授权 629

人工智能、机器学习和深度学习之间的区别与联系(图文详解)

      不多说,直接上干货!     大家,都知道,在2016年,Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候,将人工智能(AI)、机器学习(machine learning)和深度学习(deep learning)都用上了。这三者在AlphaGo击败李世乭的过程中都起了作用,但它们说的并不是一回事。     ...

weixin_33695082的博客 1605

Agentic-Desktop-Pet:构建本地智能桌面助手的架构与实践

智能体(Agent)作为人工智能领域的重要概念,是指能够感知环境、自主决策并执行任务以实现目标的软件实体。其核心原理在于结合感知、决策与执行模块,通过大语言模型(LLM)等推理引擎处理信息并驱动行动。这种架构的技术价值在于将AI的认知能力与具体的操作系统环境深度融合,从而创造出能主动理解用户上下文、提供个性化服务的智能伙伴。在应用场景上,智能体技术正从云端对话机器人向本地化、场景化的桌面助手演进,旨在解决传统自动化工具缺乏智能、而纯聊天机器人脱离操作环境的问题。本文探讨的Agentic-Desktop-Pe

weixin_27210125的博客 623

C++面向对象编程-继承与派生练习题

2、共同派生类 3、人员类Person的派生(虚基类的使用)

编程小鹏的博客 1194

【JVM】LXF_深入理解JVM专题(1-4)

前言 这篇文章主要用来梳理LXF_JVM专题的学习脉络。 深入理解JVM虚拟机开篇:JVM介绍与知识脉络梳理 博主参考了这篇文章:学习Java虚拟机没用? 听听当事人是怎么说的! 深入理解JVM虚拟机2:JVM垃圾回收基本原理和算法 博主参考了以下四篇文章: Java GC系列(1): 垃圾回收简介 Java关键术语 Java HotSpot 虚拟机 JVM体系结构 Java堆内存 Jav...

qq_40283353的博客 575

UGUI合批杀手:Mask/RectMask2D为何必断合批?

颜色缓冲负责记录像素颜色;模板缓冲负责记录“这个像素的模板值”(一个小整数);渲染时,你可以设定:只有模板值为 X 的地方才允许画;或者往某些区域写特定的模板值。类似于:先拿一支隐形笔在纸上画出一块区域,给它记一个编号“1”,后面的涂色动作只允许涂在“编号为1”的区域上。合批的前提:渲染状态不变,连续元素能一口气画完。材质、贴图、混合模式、Stencil、裁剪区域……都得一致。Mask / RectMask2D 的本质:在渲染状态上加规则——“只在某个区域内允许写像素”。

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度,也有思维广度,无论你是开发者、创业者还是高校学子,都能在这里找到适合自己的成长之路! 125

深入理解java虚拟机脑图笔记

一、笔记图谱 这是自己学习深入理解jvm虚拟机所整理的相关笔记 下面是部分截图,因为图片太大无法上传,文末会提供相关链接,有需要的自取 脑图地址 二、参考 周志明《深入理解Java虚拟机》 ...

莫失莫忘的博客 222

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

怎么拿Offer拿到手软?JVM、高并发、Spring、Netflix、Spring Cloud都要强化了解

在实际面试过程中,面试官通常会在短短两小时内对面试者知识体系的广度和深度进行全面了解,面试者在回答问题时如果拖泥带水且不能直击问题的本质,在问题的周围“打转”,则很难充分表现自己,最终影响面试结果。针对这种情况,本书在讲解知识点时不拖泥带水,力求精简,详细介绍了Java面试中常被问及的核心知识点。

Java 技术专栏,从入门到精通,熟悉企业级开发 1万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

走进JavaWeb技术世界开篇:JavaWeb技术汇总

Java Web是众多技术汇总形成的代名词,展开来说,包括了非常多相关技术。 Java发展了20年, 现在已经不仅仅是一个单纯的语言了, 而是一套完整的生态系统, 其中的术语像 HTML, XML, CSS, Javascript , AJAX, JQuery,Prototype, HTTP, Tomcat, JBoss, Nginx , Memecached , Redis, MVC ,Serv...

mhHao的博客 177

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

1. 初步认识 Java 虚拟机

Java是一门高级语言,操作系统是无法直接运行或者说识别高级语言的程序代码的,简单来说操作系统只能识别二进制的机器指令(01串),那么我们就需要将语义化的程序片段转变成系统可识别的指令,这一步有点类似与翻译,而JVM其中的一个主要作用就是翻译,但是不仅仅是翻译,更是提供了一套特定的运行环境,脱离了宿主平台的操作系统限制,直接运行在JVM之中。只要你具备JVM环境,就可以运行Java程序,从而实现了跨平台。

工作学习总结,技术分享 830

Qwen3辅助Java八股文复习:知识点梳理与记忆图谱生成

本文介绍了如何利用星图GPU平台自动化部署🎨 Class Qwen3: 多模态对话视觉黑板报镜像,以辅助Java八股文复习。通过该镜像,用户可将零散的Java知识点(如集合框架、JVM)输入给Qwen3,由其自动梳理逻辑关系并生成结构化的知识图谱或生动的视觉化比喻(如“数据容器之城”),从而构建体系化的记忆框架,提升复习效率。

weixin_31749299的博客 100

android开发基础视频教程,JVM虚拟机原理深入解析

我搜集整理过这几年阿里,以及腾讯,字节跳动,华为,小米等公司的面试题,把面试的要求和技术点梳理成一份大而全的“ Android架构师”面试 Xmind(实际上比预期多花了不少精力),包含知识脉络 + 分支细节。

2401_84412104的博客 916

Java后端面试7天速成:HashMap、JVM、并发、MySQL、Redis、Spring核心考点精讲

最近在帮团队做技术面试复盘,发现很多同学在准备后端开发面试时,普遍存在几个痛点:知识点零散不成体系,面对“HashMap为什么线程不安全”、“JVM内存模型”、“Spring Bean生命周期”这类高频问题,只能背答案,不理解背后的设计思想和应用场景;项目经验描述不清,无法将技术点与实际业务结合;面对“如何设计一个高并发秒杀系统”这类场景题,更是无从下手。 针对这些痛点,我结合近期的面试官经验和一线大厂的最新考察趋势,整理了一份 《Java后端开发面试急救包》 。这份计划的核心是 “每天2小时,7天系统突击

weixin_30268921的博客 386

2024年安卓最新深入理解Android中的ClassLoader,阿里测试开发面经

代码真的是重质不重量,质量高的代码,是当前代码界提倡的,当然写出高质量的代码肯定需要一个相当高的专业素养,这需要在日常的代码书写中逐渐去吸收掌握,谁不是每天都在学习呀,目的还不是为了一个,为实现某个功能写出高质量的代码。所以,长征路还长,大家还是好好地做个务实的程序员吧。最后,小编这里有一系列Android提升学习资料,有兴趣的小伙伴们可以来看下哦~网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。需要这份系统化学习资料的朋友,可以戳这里获取。

2401_84563220的博客 841

Java面试八股文核心考点:JVM、并发与集合底层原理详解

在Java技术领域中,无论是日常开发还是晋升面试,JVM内存模型、并发编程、集合框架与中间件原理都是绕不开的基石。理解这些底层机制,不仅能帮助我们写出更健壮的代码,还能在排查线上OOM、性能瓶颈时快速定位问题。例如,HashMap的扩容设计、volatile的内存屏障、synchronized的锁升级,都体现了并发场景下的经典权衡。同时,Spring的Bean生命周期、Redis的缓存策略、Kafka的顺序写与零拷贝等机制,构成了高并发系统的核心支撑。本文从这些高频考点出发,结合面试追问链与工程案例,解析从

weixin_33853794的博客 359

Java面试八股文:从JVM并发到MySQL索引的进阶复习路线

在Java后端开发岗位的面试中,基础知识决定候选人的技术深度。JVM内存模型、并发编程、MySQL索引与事务、缓存一致性等话题,是面试官考察候选人系统工程能力的高频切入点。理解JVM的垃圾回收机制与类加载过程,掌握synchronized、volatile与AQS的底层原理,熟悉B+树索引与MVCC的协作方式,是构建完整知识体系的关键。从原理到实践,分布式系统与中间件组件(如Kafka、Redis)的性能设计思路同样值得深入探究。这套复习路线适用于准备跳槽或系统梳理Java服务端核心技能的开发者,帮助提升面

weixin_34050519的博客 389

吃透这份“腾讯限量版”Java 架构笔记,要个 40k 不过分吧?

上述约计 28 个知识点,囊括了目前互联网企业的主流应用技术以及能让你成为“香饽饽”的高级架构知识,每个笔记里面几乎都带有实战内容。资料已整理成文档,需要获取的小伙伴可以直接转发+关注后私信(学习)即可获取哦。

m0_74931226的博客 241
上一篇: 顺时针打印矩阵
下一篇: 矩形覆盖
It_BeeCoder
博客等级 码龄10年 967粉丝 238原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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