jps命令(Java Virtual Machine Process Status Tool)

本文介绍了JDK中自带的各种实用工具,如jps用于查看基于HotSpot JVM的所有进程状态;jstack用于获取Java堆栈信息;jstat提供JVM统计信息等。这些工具对于Java开发者进行性能调优和故障排查非常有用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

JDK内置工具使用

一、javah命令(CHeaderandStubFileGenerator)

二、jps命令(JavaVirtualMachineProcessStatusTool)

三、jstack命令(JavaStackTrace)

四、jstat命令(JavaVirtualMachineStatisticsMonitoringTool)

五、jmap命令(JavaMemoryMap)

六、jinfo命令(JavaConfigurationInfo)

七、jconsole命令(JavaMonitoringandManagementConsole)

八、jvisualvm命令(JavaVirtualMachineMonitoring,Troubleshooting,andProfilingTool)

九、jhat命令(JavaHeapAnalyseTool)

十、Jdb命令(TheJavaDebugger)

1、介绍

用来查看基于HotSpotJVM里面所有进程的具体状态,包括进程ID,进程启动的路径等等。与unix上的ps类似,用来显示本地有权限java进程,可以查看本地运行着几个java程序,并显示他们的进程号。使用jps时,不需要传递进程号做为参数。

Jps也可以显示远程系统上的JAVA进程,这需要远程服务上开启了jstat服务,以及RMI注及服务,不过常用都是对本对的JAVA进程的查看。

2、命令格式

jps[options][hostid]

3、常用参数说明

-m输出传递给main方法的参数,如果是内嵌的JVM则输出为null

-l输出应用程序主类的完整包名,或者是应用程序JAR文件的完整路径。

-v输出传给JVM的参数。

4、使用示例

fenglibin@libin:~$jps

11644Main

1947

12843Jps

fenglibin@libin:~$jps-v

11644Main-agentlib:jdwp=transport=dt_socket,suspend=y,address=localhost:43467-Dfile.encoding=GBK

1947-Dosgi.requiredJavaVersion=1.5-XX:MaxPermSize=256m-Xms40m-Xmx512m

12858Jps-Denv.class.path=/home/fenglibin/java6/lib/dt.jar:/home/fenglibin/java6/lib/tools.jar::/usr/bin/libtool:/usr/bin/autoconf:/usr/local/BerkeleyDB.4.8/lib-Dapplication.home=/home/fenglibin/java6-Xms8m

fenglibin@libin:~$jps-l

11644com.alibaba.china.webww.core.Main

12870sun.tools.jps.Jps

1947

<!--EndFragment-->
资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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