JDK工具（查看JVM参数、内存使用情况及分析等）

hxpjava1 hxpjava1 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 2.3k累计阅读 2.3k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄19年
关注
转载 最新推荐文章于 2026-04-22 09:29:20 发布 2.3k 阅读 AI 写同款· GEO 优化 ›
基于LLaMA-Factory的量化感知训练实战：从微调到部署的完整指南 模型量化是深度学习模型部署中的关键技术，其核心原理是通过降低模型权重和激活值的数值精度（如从FP32降至INT8），来减少模型体积和内存占用，从而提升推理效率。这项技术的核心价值在于，它能让大模型在资源受限的边缘设备或消费级显卡上高效运行，极大地拓展了AI模型的应用边界。然而，传统的后训练量化（PTQ）方法往往会导致模型精度显著下降。量化感知训练（QAT）正是在此背景下应运而生，它在模型训练阶段就模拟量化误差，让模型提前适应低精度计算，从而在最终部署时实现精度与效率的最佳平衡。本文将以大模型微调工具LLaM 阅读详情

 

在JDK的bin目录下有很多命令行工具：

             

　　我们可以看到各个工具的体积基本上都稳定在27kb左右，这个不是JDK开发团队刻意为之的，而是因为这些工具大多数是jdk\lib\tools.jar类库的一层薄包装而已，他们的主要功能代码是在tools类库中实现的。命令行工具的好处是：当应用程序部署到生产环境后，无论是直接接触物理服务器还是远程telnet到服务器上都会受到限制。而借助tools.jar类库里面的接口，我们可以直接在应用程序中实现功能强大的监控分析功能。

常用命令：

这里主要介绍如下几个工具：

1、jps：查看本机java进程信息。

2、jstack：打印线程的栈信息，制作线程dump文件。

3、jmap：打印内存映射，制作堆dump文件

4、jstat：性能监控工具

5、jhat：内存分析工具

6、jconsole：简易的可视化控制台

7、jvisualvm：功能强大的控制台

JAVA Dump：

JAVA Dump就是虚拟机运行时的快照，将虚拟机运行时的状态和信息保存到文件中：

线程dump：包含所有线程的运行状态，纯文本格式

堆dump：包含所有堆对象的状态，二进制格式

java dump可以在任何java环境使用，信息量充足，针对非功能性性的bug，主要为多线程开发、内存泄漏。

1、jps

显示当前所有java进程pid的命令，我们可以通过这个命令来查看到底启动了几个java进程（因为每一个java程序都会独占一个java虚拟机实例），不过jps有个缺点是只能显示当前用户的进程id，要显示其他用户的还只能用linux的ps命令。

执行jps命令，会列出所有正在运行的java进程，其中jps命令也是一个java程序，前面的数字就是对应的进程id，这个id的作用非常大，后面会有相关介绍。

jps -help：

jps -l 输出应用程序main.class的完整package名或者应用程序jar文件完整路径名

jps -v 输出传递给JVM的参数

jps失效

我们在定位问题过程会遇到这样一种情况，用jps查看不到进程id，用ps -ef | grep java却能看到启动的java进程。

要解释这种现象，先来了解下jps的实现机制：

java程序启动后，会在目录/tmp/hsperfdata_{userName}/下生成几个文件，文件名就是java进程的pid，因此jps列出进程id就是把这个目录下的文件名列一下而已，至于系统参数，则是读取文件中的内容。

我们来思考下：如果由于磁盘满了，无法创建这些文件，或者用户对这些文件没哟读的权限。又或者因为某种原因这些文件或者目录被清除，出现以上这些情况，就会导致jps命令失效。

如果jps命令失效，而我们又要获取pid，还可以使用以下两种方法：

1、top | grep java

2、ps -ef |grep java

2、jstack

主要用于生成指定进程当前时刻的线程快照，线程快照是当前java虚拟机每一条线程正在执行的方法堆栈的集合，生成线程快照的主要目的是用于定位线程出现长时间停顿的原因，如线程间死锁、死循环、请求外部资源导致长时间等待。

3、jmap

主要用于打印指定java进程的共享对象内存映射或堆内存细节。

堆Dump是反映堆使用情况的内存镜像，其中主要包括系统信息、虚拟机属性、完整的线程Dump、所有类和对象的状态等。一般在内存不足，GC异常等情况下，我们会去怀疑内存泄漏，这个时候就会去打印堆Dump。

jmap的用法摘要：

1、jmap pid

打印的信息分别为：共享对象的起始地址、映射大小、共享对象路径的全程。

2、jmap -heap pid:查看堆使用情况

 

3、jmap -histo pid：查看堆中对象数量和大小

打印的信息分别是：序列号、Class实例的数量、内存的占用、类限定名

如果是内部类，类名的开头会加上*，如果加上live子参数的话，如jmap -histo：live pid，这个命名会触发一次FUll GC，只统计存活对象

 

4、jmap -dump:format=b,file=heapdump pid：将内存使用的详细情况输出到文件

     然后使用jhat命令查看该文件：jhat -port 4000 文件名 ，在浏览器中访问http:localhost:4000/

总结：

该命令适用的场景是程序内存不足或者GC频繁，这时候很可能是内存泄漏。通过以上命令查看堆使用情况、大量对象被持续引用等情况。

4、jstat

主要是对java应用程序的资源和性能进行实时的命令行监控，包括了对heap size和垃圾回收状况的监控。

 jstat -<option> [-t] [-h<lines>] <vmid> [<interval> [<count>]]

option：我们经常使用的选项有gc、gcutil

vmid：java进程id

interval：间隔时间，单位为毫秒

count：打印次数

1、jstat -gc PID 5000 20

S0C:年轻代第一个survivor的容量（字节）

S1C：年轻代第二个survivor的容量（字节）

S0U：年轻代第一个survivor已使用的容量（字节）

S1U：年轻代第二个survivor已使用的容量（字节）

EC：年轻代中Eden的空间（字节）

EU：年代代中Eden已使用的空间（字节）

OC：老年代的容量（字节）

OU:老年代中已使用的空间（字节）

PC：永久代的容量

PU：永久代已使用的容量

YGC：从应用程序启动到采样时年轻代中GC的次数

YGCT:从应用程序启动到采样时年轻代中GC所使用的时间（单位：S）

FGC：从应用程序启动到采样时老年代中GC（FULL GC）的次数

FGCT：从应用程序启动到采样时老年代中GC所使用的时间（单位：S）

2、jstat -gcutil PID 5000 20

s0:年轻代中第一个survivor已使用的占当前容量百分比

s1:年轻代中第二个survivor已使用的占当前容量百分比

E:年轻代中Eden已使用的占当前容量百分比

O:老年代中已使用的占当前容量百分比

P:永久代中已使用的占当前容量百分比

5、jhat

主要用来解析java堆dump并启动一个web服务器，然后就可以在浏览器中查看堆的dump文件了。

生成dump文件的方法前面已经介绍了，这边主要介绍如何解析java堆转储文件，并启动一个web server

jhat heapdump

这个命令将heapdump文件转换成html格式，并且启动一个http服务，默认端口为7000。

如果端口冲突，可以使用以下命令指定端口：jhat -port 4000 heapdump

下面我们来访问下：ip：port

6、jinfo

jinfo可以用来查看正在运行的java运用程序的扩展参数，甚至支持在运行时动态地更改部分参数。

基本使用语法如下： jinfo -< option > < pid > ，其中option可以为以下信息：

-flag< name >: 打印指定java虚拟机的参数值

-flag [+|-]< name >：设置或取消指定java虚拟机参数的布尔值

-flag < name >=< value >：设置指定java虚拟机的参数的值

使用示例

下面的命令显示了新生代对象晋升到老年代对象的最大年龄。在运行程序运行时并没有指定这个参数，但是通过jinfo，可以查看这个参数的当前的值。

下面的命令显示是否打印gc详细信息：

下面的命令在运用程序运行时动态打开打印详细gc信息开关：

注意事项：jinfo虽然可以在java程序运行时动态地修改虚拟机参数，但并不是所有的参数都支持动态修改。

7、jcmd

在JDK 1.7之后，新增了一个命令行工具jcmd。它是一个多功能工具，可以用来导出堆，查看java进程，导出线程信息，执行GC等。jcmd拥有jmap的大部分功能，Oracle官方建议使用jcmd代替jmap。

使用 jcmd -l 命令列出当前运行的所有虚拟机，示例：

针对每一个虚拟机，可以使用help命令列出该虚拟机支持的所有命令，示例：

其中，

  • VM.native_memory
  • VM.commercial_features
  • GC.rotate_log
  • ManagementAgent.stop
  • ManagementAgent.start_local
  • ManagementAgent.start
  • Thread.print，                         打印线程栈信息
  • GC.class_histogram，              查看系统中类统计信息
  • GC.heap_dump，                    导出堆信息，与jmap -dump功能一样
  • GC.run_finalization，               触发finalize()
  • GC.run，                                触发gc()
  • VM.uptime，                           VM启动时间
  • VM.flags，                              获取JVM启动参数
  • VM.system_properties，          获取系统Properties
  • VM.command_line，                 启动时命令行指定的参数
  • VM.version
  • help

示例：

 

参考资料

http://www.cnblogs.com/dongguacai/p/5910134.html

http://qifuguang.me/categories/%E5%B7%A5%E5%85%B7%E4%BD%BF%E7%94%A8/

收录于
java

当前文章被收录于：

java
39 篇文章 2 人学习
订阅专栏 查看详情
从临床试验到互联网AB测试：边缘结构模型（MSM）如何解决‘时依性混杂’这个老大难问题 本文探讨边缘结构模型（MSM）如何解决时依性混杂问题，适用于临床试验和互联网AB测试。通过逆概率加权（IPTW）等方法，MSM能有效剥离混杂效应，准确评估长期干预效果。文章结合跨领域案例，详细解析MSM的核心原理、实施步骤及在推荐算法效果评估中的实战应用，帮助读者掌握这一先进因果推断工具。 阅读详情

相关推荐

深入解析时钟同步技术：相位同步、频率同步与同源时钟的实战应用

本文深入解析时钟同步技术的三种核心方式：相位同步、频率同步与同源时钟，详细阐述其技术原理、实现方案及实战应用。通过对比分析不同同步方式的特点与适用场景，为电子系统设计提供选型指南，帮助工程师优化时钟网络设计，提升系统稳定性和性能。

weixin_29240711的博客 451

JDK内存分析排查工具

通过内存溢出，cpu占用率猛增，线程死锁等常见问题构筑示例排查，教大家如何使用jdk自带调优工具

eck_燃的博客 2699

【护网行动-红蓝攻防】第一章-红蓝对抗基础 认识红蓝紫

军事上的演练，是除了实战以外最能检验军队战斗力的一种考核方式，他可以模拟面对外部势力的攻击时候，如何更好的去维护国家和主权的安全。同样的，在网络上面，真实环境下的网络攻防演练也是检验一个单位，企业网络防御能力，发现潜在危险最好的方法。1.政策要求2安全威胁驱动当前，我国关键信息基础设施面临的网络安全形势严峻复杂，网站平台大规模数据泄露事件频发，生产业务系统安全隐患突出，甚至有的系统长期被控面对高级持续性的网络攻击，防护能力十分欠缺。目前，我国面临的网络安全威胁主要有以下几点。

wxh的博客 1575

JDK自带JVM分析工具

jstat：性能分析-查看gc情况；jmap：内存分析-堆信息；jstack：线程分析-栈信息；jinfo：参数查看及配置；jstatd：启动jvm监控服务。它是一个基于rmi的应用，向远程机器提供本机jvm应用程序的信息。默认端口1099；jdb ：JDB是基于文本和命令行的调试工具；jhat：用于对JAVA heap进行离线分析的工具，他可以对不同虚拟机中导出的heap信息文件进行分析，如LINUX上导出的文件可以拿到WINDOWS上进行分析，可以查找诸如内存方面的问题;

经历过大厂、小厂风风雨雨的程序佬 1349

Skiplist,B,B+tree,LSM tree

SkipList 理解（如何实现）： 即使是有序的链表，查找的时间复杂度也是O(n)，但链表不能随机访问所以不适用于二分查找，使得查找的时间复杂度为O(logn)。 于是将有序链表和二分查找结合得到了SkipList,类似于二叉搜索树，这是一种以空间换时间的算法，通过在每个节点中增加向前的指针，从而提升查找效率（如下图所示）。 一开始如a所示，是一个有序的链表，时间复杂度O(n)。随后建立了e所示的SkipList,从最顶层往下查找，可以跳过许多元素，减少查找次数。 ​

weixin_45875458的博客 948

C#通过Aforge调用电脑摄像头（附代码）

C#标准库本身不带有能调用电脑摄像头的库，如果利用windows自身的API来实现的话，着实有些麻烦。Aforge这个第三方库能很好的实现调用、处理的功能。 PS:文末给大家分享了完整的项目源码，各位最好先下载下来，对照着来看 1、先看一下效果 2、Aforge介绍 AForge.NET是一个专门为开发者和研究者基于C#框架设计的，这个框架提供了不同的类库和关于类库的资源，还有很多应用程序例子，包括计算机视觉与人工智能，图像处理，神经网络，遗传算法，机器学习，机器人等领域。 3、我使用的开发环境 操作系统

weixin_44996090的博客 1万+

java 内存分析工具

YourKit Java Profiler：这是另一款商业级的Java分析工具，用于性能和内存分析。它提供了实时的CPU和内存使用情况监视、线程分析、内存泄漏检测等功能。它能够解析和分析Java堆转储文件（例如使用jmap或jconsole工具生成的.hprof文件），帮助你识别内存泄漏和内存消耗过高的原因。JProfiler：这是一款商业级的Java分析工具，提供实时的内存分析和性能分析功能。它提供了一种可视化的界面，显示垃圾收集器的运行情况、堆的使用情况以及对象的分配和回收等信息。

Primary_wind的专栏 4393

Ultrascale/Ultrascale+ FPGA GTH IP及结构详解（一）

FPGA GTH Transceiver

houzi6320的博客 1万+

怎么用JDK自带工具进行JVM内存分析

进行jvm内存分析可以排查存在和潜在的问题。通过借助jdk自带的常用工具，可以分析大概可能的问题定位以及确定优化方向。JVM内存分析有很多好处。本文将通过一次jvm内存分析过程来说明jpsjcmdjstatjstack和jmap工具的使用方法。本文使用到的是JDK17版本。

fzlhz的博客 538

VM虚拟机下，通过无线，有线两种方式连接PLC的设置方法

1，VMware软件：编辑>虚拟网络编辑器。 2.右下角：更改设置（如果可以选中“添加网络”选项，则可考虑略过此步） 3.选中VMnet0，点击桥接模式，选中你的物理机有线网卡。点击确定。 4.点击添加网络，我的添加完是VMnet2，然后选中，像上一步样，点击桥接模式，在下拉菜单中选中笔记本的【无线网卡】，然后点击确定。 5.VMware软件：虚拟机>设置。 6.点击 添加>网络...

weixin_46441715的博客 2万+

保姆级教程：用MS建完分子模型，如何一键转成LAMMPS能用的data文件？

本文详细介绍了如何将Materials Studio（MS）构建的分子模型转换为LAMMPS可用的data文件的全流程。重点讲解了力场选择、环境配置、转换命令参数解析及常见问题排查，帮助初学者快速掌握MS与LAMMPS之间的数据转换技巧，特别适合计算材料学领域的研究人员。

weixin_42665255的博客 472

【JVM】六、JDK工具（查看JVM参数、内存使用情况及分析等）

  在JDK的bin目录下有很多命令行工具：              　　我们可以看到各个工具的体积基本上都稳定在27kb左右，这个不是JDK开发团队刻意为之的，而是因为这些工具大多数是jdk\lib\tools.jar类库的一层薄包装而已，他们的主要功能...

qwertyuiopasdfghjklzxcvbnm 923

maya权重拷贝一对一，一对多

是不是有时候盔甲很多很碎头很大，用代理一个个拷贝很麻烦吧 用下面代码直接运行进行一对多或者一对一拷贝 第一个先选择参考物体，加选其他一堆有的没的有权重或没权重的物体执行一键拷贝，就可以啦 以下是源码送上，带走吧 ------------------------ #! -*- coding:utf -8 -*- #author：liubingdong #date：20...

weixin_30852367的博客 1534

6 个 Java 开发工具，轻松分析定位 JVM 问题

这篇文章中介绍下如何使用 JDK 自带工具来分析和定位 Java 程序的问题。JDK 自带了很多命令行甚至是图形界面工具，帮助我们查看 JVM 的一些信息。比如，在我的机器上运行 ls 命令，可以看到 JDK 8 提供了非常多的工具或程序：接下来，我会与你介绍些常用的监控工具。你也可以先通过下面这张图了解下各种工具的基本作用：为了测试这些工具，我们先来写一段代码：启动 10 个死循环的线程，每个线程分配一个 10MB 左右的字符串，然后休眠 10 秒。可以想象到，这个程序会对 GC 造成压力： 修改 pom

程序源日志的博客 309

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

JDK命令七、jcmd介绍（堆转储、堆分析、获取系统信息、查看堆外内存）

一、jcmd命令使用 先罗列下jcmd的常见用法： 堆直方图查看：查看系统中类统计信息GC.class_histogram，示例见《Heap堆分析（堆转储、堆分析）》 堆转储：导出堆信息GC.heap_dump，示例见《Heap堆分析（堆转储、堆分析）》 获取系统Properties内容VM.system_properties 获取启动参数VM.flags 获取所有性能相关数据PerfCounter.print 查看原生内存信息：jcmd process_id VM.native_memory

weixin_42073629的博客 1845

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。

查看JVM内存使用情况

查看JVM内存使用情况 学习了：http://www.iteye.com/problems/54114 学习了：http://blog.youkuaiyun.com/neosmith/article/details/47753733 Runtime run = Runtime.getRuntime(); long max = run.maxMemory()/(1024*1024); long tot...

weixin_33863087的博客 113

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")

Java问题诊断和排查工具（查看JVM参数、内存使用情况及分析等）

显示当前所有java进程pid的命令，我们可以通过这个命令来查看到底启动了几个java进程（因为每一个java程序都会独占一个java虚拟机实例），不过jps有个缺点是只能显示当前用户的进程id，要显示其他用户的还只能用linux的ps命令。java程序启动后，会在目录/tmp/hsperfdata_{userName}/下生成几个文件，文件名就是java进程的pid，因此jps列出进程id就是把这个目录下的文件名列一下而已，至于系统参数，则是读取文件中的内容。推荐用JVisualVM。

syq8023的博客 7104
上一篇： JDK 自带压缩解压流
下一篇： CLOSE_WAIT状态的原因与解决方法
点赞 0
评论 0
书签 书签 4
hxpjava1
hxpjava1
博客等级 码龄19年 1365粉丝 511原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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