《深入理解Java虚拟机》读书笔记

BepInEx插件开发实战:用Visual Studio快速创建你的第一个Unity Mod(2024新版) 本文是2024年新版BepInEx插件开发实战指南,详细讲解如何使用Visual Studio快速创建你的第一个Unity Mod。内容涵盖专业开发环境搭建、插件生命周期解析、利用HarmonyX进行游戏代码注入、实现实时调试与热重载技巧,以及项目配置与打包发布全流程,助你从Mod使用者转变为创造者。 阅读详情

1.内存模型

2.可达分析算法

         通过一系列 GCRoots 对象作为起始点,向下搜索形成引用链,以此证明对象是否可用。

GC Roots对象:

1.      虚拟机栈的对象

2.      方法区的静态变量和常量引用的对象

3.      Native方法引用的对象

ps:在大量使用反射、动态代理、CGLib等ByteCode框架,动态生成JSP以及OSGi这类频繁自定义ClassLoader的场景,需要虚拟机具备类卸载的功能,以保证永久代不会溢出。

判断为“无用的类”的条件:

(1)该类的所有实例都已经被回收

(2)加载该类的ClassLoader已经被回收

(3)该类对应的java.lang.Class对象没有在任何地方被引用

3.垃圾收集算法

标记-清除算法

复制算法(新生代常用)

Eden :Survivor1 :Survivor2 =8 :1 :1

每次使用Eden 和其中一个Survivor,当用于存放存活对象的Survivor内存不足时,会被移至老生代

标记-整理算法

4.垃圾收集器

Serial收集器

最基本,历史最悠久,Stop the world,client模式下默认的新生代收集器

ParNew收集器

         Serial收集器的多线程版本,server模式下首选的新生代收集器(除了Serial收集器以外,目前只能和CMS收集器配合使用)

Parallel Scavenge收集器

         新生代收集器,”吞吐量优先”的收集器,并行的多线程收集器

Serial Old收集器

Serial收集器的老年代版本   

Parallel Old收集器

         ParallelScavenge收集器的老年代版本,多线程,可以和Parallel Scavenge收集器搭配,适用于注重于吞吐量以及CPU敏感的场合

CMS收集器

         CMS(ConcurrentMark Sweep)以最短回收停顿时间为目标,标记-清除算法实现分为四个阶段:

1.      初始标记 : 标记GC Roots直接关联的对象,stop the world,时间短

2.      并发标记:GC Roots Tracing

3.      重新标记:修正并发标记期间状态变化的对象

4.      并发清除

G1收集器

         面向服务端应用的收集器,HotSpot团队赋予它的使命是,代替JDK1.5版本的CMS收集器,不需要其他收集器配合,可独立管理GC堆,并行和并发,把Java堆分为多个Region,化整为零的模式

5.JDK命令行工具

jps (JVM Process Status Tool) 虚拟机进程状况工具

jstat (JVM Statistics Monitoring Tool) 虚拟机统计信息监视工具,监视类加载,内存,垃圾收集等运行数据

jmap (Memory Map for Java) 生成堆转储快照

jstack (Stack Trace for Java) 用于生成虚拟机当前时刻的线程快照,一般称为threaddump或javacore文件,以定位线程长时间停顿的原因

6.JDK可视化工具

JConsole 基于JMX的可视化监视、管理工具

VisualVM 多合一故障处理工具,非常强大的运行监视和故障处理程序

7.类加载的周期     


7.1 加载

①通过类的全限定名获取二进制字节流

②将字节流代表的静态存储结构转化成方法区的运行时数据结构

③在内存中生成一个代表这个类的java.lang.Class对象,作为方法区这个类的各种数据的访问入口

7.2 验证

确保Java文件的信息符合当前虚拟机的要求

7.3 准备

为类变量分配内存,并设置初始值

7.4 解析

虚拟机将常量池中的符号引用替换为直接引用的过程(符号引用在Class文件中以CONSTANT_Class_info等常量形式出现)

7.5 初始化

执行类构造器<init>()方法的过程:①执行类变量赋值操作②执行静态代码块

8.双亲委派模型

一个类加载器收到类加载的请求,它首先不会自己尝试加载这个类,而是把这个请求委派给父类加载器去完成,每个层次的类加载器都是如此,因此所有的请求最终都应该送到顶层的启动类加载器中,只有当父类加载器反馈无法完成加载请求时,子加载器才会尝试自己去加载。

泛型是JDK 1.5的一项新特性,本质是参数化类型(Parametersized Type)的应用,也就是说所操作的数据类型是一种参数.

Java语言的泛型只在源码中存在,编译后的字节码文件中被替换为原生类型,并在相应地方插入强制转换代码,因此对于运行期的Java来说,ArrayList<Integer>和ArrayList<String>是同一个类,所以泛型技术实际是Java的一颗语法糖,Java语言的泛型实现方法称为泛型擦除,基于这种方法实现的泛型称为伪泛型.

语法糖(编译期变化):

自动拆装箱发生在运算操作是触发;

遍历循环则把代码还原成了迭代器的实现,这也是为何遍历循环需要被遍历的类实现Iterable接口的原因;

9.高效并发

9.1 volatile的语义

①内存可见性;②禁止指令重排序优化

volatile变量读操作的性能消耗与普通变量几乎没有什么差别,但是写操作则可能会慢一些,因为它需要在本地代码中插入内存屏障指令来保证处理器不发生乱序执行。不过即便如此,大多数场景下volatile的总开销仍然要比锁低,我们在volatile与锁之中选择的唯一依据仅仅是volatile的语义能否满足使用场景的需求。

9.2 先行发生原则

         判断数据是否存在竞争、线程是否安全的主要依据,依照这个原则,可以通过以下几个规则解决在并发环境下两个操作是否存在冲突的所有问题。

①    程序次序规则:在一个线程内,按照程序代码顺序,书写在前面的操作先行发生于书写在后面的操作。

②    管程锁定规则:一个unlock操作先行于后面对同一个锁的lock操作。

③    volatile变量规则:对一个volatile的写操作先行于后面对这个变量的读操作。

④    程序启动规则:Thread的start()方法先行发生于此线程的每个操作。

⑤    程序终止规则:线程的所有操作先行于对此线程的终止检测。

⑥    线程中断规则:对线程的interrupt()方法的调用先行发生于被中断线程的代码检测中断事件的发生。

⑦    对象终结规则:一个对象的初始化完成先行于这个对象的finalize()方法的开始。

ps:时间上的先后顺序与先行发生原则之间基本上没有太大的关系。

9.3 线程的状态

新建(New)、运行(Runable)、无限期等待(Waiting)、限期等待(Timed Waiting)、阻塞(Blocked)、结束(Terminated)

等待状态和阻塞状态的区别:

阻塞指的是等待获取一个排它锁,等待指的是等待一段时间或者等待唤醒动作的发生。

进入等待状态的事件包括Thread.sleep(),Object.wait(),Object.join()等

9.4 线程安全的实现方法

互斥同步(阻塞同步):

悲观的同步策略。在Java中,最基本的就是使用synchronized关键字,同步块前后形成monitorenter和monitorexit指令,这两个指令的具体操作是使锁计数器加1和减1,当计数器为0,锁为释放状态。

其次,可以通过ReentrantLock实现,比synchronized多了一些特性,包括等待可中断、可实现公平锁、锁可以绑定多个条件。公平锁指的是按照时间顺序公平获取锁,synchronized是非公平锁,ReentrantLock默认也是非公平锁,可通过带布尔值的构造实现公平锁。

JDK 1.5以下版本,在多线程环境下,synchronized的吞吐量下降严重,JDK1.6以上性能上两者基本相同,未来性能改进会更偏向原生的synchronized,而且ReentrantLock需要手动释放锁,所以优先使用synchronized进行同步。

非阻塞同步:

         基于冲突检测的乐观同步策略。在JDK1.5以上版本,实现CAS机制,通过sun.misc.Unsafe类来操作。

VTK-9.5.0 1D2D3DWidget实现灰度图+深度图+3D点云显示(可轻松集成到自己的项目) VTK1D2D3DWidget是一个基于Qt和VTK开发的3D点云可视化工具,支持RGB和深度点云数据的显示与处理。主要功能包括点云加载、可视化、保存为PLY格式文件,以及背景颜色、点间隔、坐标轴显示等参数的自定义设置。该工具采用模块化设计,核心组件包括主窗口管理类、VTK渲染组件和自定义鼠标交互样式,依赖Qt5+和VTK9.5.0库实现跨平台支持。项目提供完整的源码和构建指南,适用于点云数据的快速展示与分析。 阅读详情

相关推荐

电化学阻抗谱(EIS)在锂离子电池中的应用

摘要电化学阻抗谱(electrochemical impedance spectroscopy, EIS)是一种重要的电化学测试方法,在锂离子电池动力学反应机理研究及动力学参数测量等方面具有广泛的应用。在锂离子电池运行过程中,各反应步骤的动力学参数及时间常数不同,而EIS可以在较宽的频率范围内对体系施加小幅正弦激励信号,使得在特定频率下突出特定时间常数的电极过程,从而将复杂的电极过程分离,实现单一电极过程动力学的分析。通过对交流阻抗信息的研究,也可以为锂离子电池及其他电池的应用与管理、电化学过程设计及电极材

qiushireader的博客 2659

《深入理解Java虚拟机》笔记

《深入理解Java虚拟机》笔记,比较简略

bazinga_bang的博客 642

【技术分享】ArcGIS Pro底图色彩优化实战:从DEM到山体阴影的进阶调色技巧

本文深入探讨了在ArcGIS Pro中优化地形底图色彩的进阶技巧。通过分析DEM与山体阴影的直方图,详细讲解了如何运用图层混合、亮度、对比度及伽马值等核心参数进行精细化调色,从而将灰暗平淡的地图转化为层次分明、视觉美观的专业成果。

5b6n7m8的博客 762

《深入理解Java虚拟机》阅读笔记

深入理解java虚拟机 什么是java虚拟机 jvm通俗来说是一个程序,操作系统角度来看,当它运行起来就是一个进程。是执行字节码文件(.class)的虚拟进程。 自动内存管理机制 运行时数据区域 线程共享: 堆:内存大,存放对象实例。垃圾收集器管理的主要区域,也称gc堆。 方法区:存储已经被虚拟机加载的类信息、常量(运行时常量池)、静态变量、即时编译器编译后的代码等数据。 线程私有: 虚拟机栈:方法执行的内存模型,存储方法中的局部变量、方法出口等信息。 本地方法栈:本地native方法执行的内存模型。 程序

Taisuker 1056

翻倍密码系统主图指标-行情买卖以及持股-翻倍密码买点-获利了结,通达信炒股软件指标公式

华森制药,上图案例走势,低位出现“开始潜伏”信号,进场红色K线持股待涨,进入“翻倍密码买点”,开启紫色K线的持续上涨,目前也达到了翻倍行情,还没出现“获利了结”的出场信号。这套操盘系统,即便出现信号没走出翻倍行情,也都是可以全身而退,获利出局,或者微微止损出场,并不代表每一个波段都能翻倍,但是走翻倍行情,你按照信号参与或持仓是不会错过的。用这个操盘系统操作,你也不需要天天的盘中看盘,不需要担心盘中的震荡,只要趋势不变,哪怕是偶尔出现跌停,也不影响行情的继续上涨,这都是上涨途中的正常调整。

weixin_69760830的博客 3682

NR/5G - On demand SI

NR中系统消息如MIB -可用于无线帧同步等,SIB1 -小区物理信道公共配置等,是驻留一个小区所必需获得的信息,这类系统信息小区是进行周期性广播。 在SI的配置中,系统消息分为BroadCasting和non-BroadCasting,BroadCasting类系统消息基站也是周期性进行广播的,而non-BroadCasting类系统消息则是通过一种on-demand的方式,即如果需要读取这类系统消息,那么UE需要先发送请求给基站,基站响应UE之后,再下发系统消息。 ...

6777

个人笔记,深入理解 JVM,很全!

刷豆瓣看到《深入理解 JVM》出第三版了,遂买之更新 JVM 知识,本文为笔记,仅供个人 Review参考文档:The class File Formatu4 magic;// 魔数// 版本号// 常量池// 类访问标记// 本类全限定名// 单一父类// 多个接口// 字段表// 方法表// 类属性magic:魔数,简单识别*.class文件,值固定为0xCAFEBABEminor_version, major_version:Class 文件的次、主版本号。

程序员高级码农的博客 983

手把手教你用MaxEnt+ArcGIS玩转物种分布预测

本文详细介绍了如何利用MaxEnt最大熵模型与ArcGIS软件进行物种分布预测。通过实战案例,从数据收集、环境变量处理、模型参数设置到结果可视化分析,手把手教你掌握生态位模型的核心流程。结合SDM toolbox插件,可高效完成数据预处理与高级空间分析,是生态学与保护生物学研究的实用指南。

weixin_29309475的博客 562

深入理解Java虚拟机(读书笔记)

JRE是支持Java程序运行的标准环境,包括:Java类库API中的Java SE API子集和Java虚拟机。JDK是支持Java程序开发的最小环境,包括:Java程序设计语言、Java虚拟机、Java类库。Java程序设计语言、Java虚拟机、Class文件格式、Java类库API、Java三方框架。动态语言支持:Java是静态语言,为其他运行在Java虚拟机上的动态语言提供支持。Lambda项目:支持Lambda表达式,支持函数式编程。Garbage-First收集器。

汪子涵的博客 1418

Docker部署Nextcloud私有云:MariaDB、OnlyOffice与HTTPS全栈实践

Nextcloud作为主流开源私有云平台,其稳定部署依赖Docker容器化、MariaDB数据库优化、OnlyOffice在线协作集成及HTTPS安全加固四大核心技术。理解Docker Compose服务健康检查机制与依赖等待原理,可避免因启动时序导致的500/404错误;掌握MariaDB字符集配置与InnoDB参数调优,是保障Nextcloud全文搜索与大文件上传可靠性的底层基础;而OnlyOffice的JWT兼容性控制与Nginx路径重写规则,则直接决定文档协同功能是否可用。在家庭NAS、边缘服务器或

weixin_30328063的博客 515

在 SAP 系统中,成本中心(Cost Center)是成本核算与费用管控的基础组织单元,其设计质量直接决定了后续成本归集、分摊、分析及责任考核的准确性

SAP系统成本中心设计核心要点:1. 设计原则包括责任可控、业务同质、核算颗粒度适配、组织对齐及稳定性平衡;2. 划分维度主要有部门、功能、地域、项目和资产5类,可组合使用;3. 需避免颗粒度过细、跨责任主体归集等常见误区;4. 建议采用"明确目标-梳理业务-设计编码"三步法,建立科学的成本中心体系。合理的成本中心设计能精准归集费用、明确责任主体,为成本分析和管控奠定基础。

金牌架构师 1445

《深入理解Java虚拟机》读书笔记(一)--Java和Java虚拟机发展

目录 一、Java发展史 二、Java虚拟机(部分) 2.1 Sun Classic VM 2.2 Sun Exact VM 2.3 Sun HotSpot VM 2.4 BEA JRockit VM 2.5 BEA Liquid VM 2.6IBM J9 VM 2.7 Azul VM 2.8 Microsoft JVM 三、总结 一、Java发展史 1991年4月,James Gosling博士领导绿色计划(Green Project),产品为Java语言的前身:Oak(橡树).

黄智霖的博客 5194

基于改进YOLOv5的小目标检测 | 添加CBAM注意机制 + 更换Neck网络之BiFPN + 增加高分辨率检测头

本文针对图像中小目标难以检测的问题,提出了一种基于YOLOv5的改进模型。在主干网络中,加入CBAM注意力模块增强网络特征提取能力;在颈部网络部分,使用BiFPN结构替换PANet结构,强化底层特征利用;在检测头部分,增加高分辨率检测头,改善对于微小目标的检测能力。本文算法在无人机数据集VisDrone2019数据集上进行了多次对比实验,结果表明本文算法可以有效地检测小目标。🌈

小哥谈 2937

《深入理解Java虚拟机》读书笔记十

《深入理解Java虚拟机》读书笔记十 第十一章 晚期(运行期)优化 1、HotSpot虚拟机内的即时编译 解释器与编译器: 许多Java虚拟机的执行引擎在执行Java代码的时候都有解释执行(通过解释器执行)和编译执行(通过即时编译器产生本地代码)两种选择 即时编译器: 当虚拟机发现某个方法或者代码块的运行特别频繁时,就会...

AmyZheng_的博客 449

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

《深入理解Java虚拟机》读书笔记九

《深入理解Java虚拟机》读书笔记九 第十章 早期(编译期)优化 1、Javac的源码与调试 编译期的分类: 前端编译期:把*.java文件转换为*.class文件的过程。例如sun的javac、eclipseJDT中的增量编译器。 JIT编译期:后端运行期编译器,把字节码转换成机器骂的过程。例如 HotSpot VM的C1、C2...

AmyZheng_的博客 290

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")

读书笔记-深入理解Java虚拟机

only_onion的博客 130

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

《深入理解Java虚拟机》读书笔记十二

《深入理解Java虚拟机》读书笔记十二 第十二章 Java内存模型与线程 1、硬件效率与一致性 由于计算机的存储设备与处理器的运算速度有几个数量级的差距,所以现代计算机系统都不得不加入一层读写速度尽可能接近处理器运算速度的高速缓存(Cache)来作为内存与处理器之间的缓冲。 每个处理器都有自己的高速缓存,而它们又共享同一主内存(Main...

AmyZheng_的博客 239

《深入理解Java虚拟机》读书笔记七

《深入理解Java虚拟机》读书笔记七 第八章 虚拟机字节码执行引擎 1、运行时栈帧结构 概述: 栈帧是用于支持虚拟机进行方法调用的和方法执行的数据结构,他是虚拟机运行时数据区中的虚拟机栈的栈元素,栈帧存储了方法的局部变量,操作数栈,动态连接和方法返回值等信息,每个方法从调用开始到执行完成的过程都对应着一个栈帧在虚拟机栈里面从入栈到出栈的过...

AmyZheng_的博客 223

【深入理解JAVA虚拟机】读书笔记——运行时栈帧结构

学习参考资料:周志明老师的著作《深入理解Java虚拟机(第3版)》 运行时栈帧结构 栈帧存储了方法的局部变量、操作数栈、动态连接、方法返回值和一些附加信息。 每个方法从调用到结束都伴随着一个栈帧从入栈到出栈的过程。 另外,在编译Java源代码时,一个栈帧的局部变量表的大小和操作数栈的深度就已经被确定了,并且写入Class文件中方法的Code属性。 1.局部变量表(重点) 作用 局部变量表用于存放方法参数和方法内部定义的局部变量。 组成 局部变量表的最小单位是变量槽,一个变量槽可以存放32位以内的数据类.

遇事不决问清风的博客 1450

《深入理解Java虚拟机》读书笔记(四)--虚拟机性能监控与故障处理工具

一、JDK命令行工具 此书是第二版,本章介绍的工具基于Windows平台下的JDK 1.6 Update 21。 1.1 jps:虚拟机进程状况工具 可以列出正在运行的虚拟机进程,并显示虚拟机执行主类名称(main函数所在类)以及这些进程的本地虚拟机唯一ID(Local Virtual Machine Identifier,LVMID)。其常用选项见下表; jps工具主要选项 选项 作用 -q 只输出LVMID -m 输出虚拟机进程启动时传递给main函数的参数 -l

黄智霖的博客 4637

《深入理解Java虚拟机》读书笔记八

《深入理解Java虚拟机》读书笔记八 第九章 类加载及执行子系统的案例与实战 Q:如果有10个WEB应用程序都是用Spring来进行组织管理的话,可以把Spring放到Common或Shared目录下(Tomcat5.0)让这些程序共享。Spring要对用户程序的类进行管理,自然要能访问到用户程序的类,而用户程序显然是放在/WEB-INF目录...

AmyZheng_的博客 317

《深入理解Java虚拟机》读书笔记(七)--虚拟机字节码执行引擎(上)

目录 前言 一、运行时栈帧结构 1.1 局部变量表 1.2 操作数栈 1.3 动态连接 1.4 方法返回地址 1.5 附加信息 二、确定执行方法 2.1 解析 2.2 分派 2.2.1 静态分派 2.2.2 动态分派 2.2.3 单分派和多分派 2.2.4 虚拟机动态分派的实现 前言 本章主要讲述虚拟机如何确定调用方法的版本和如何执行方法。 一、运行时栈帧结构 1.1 局部变量表 用于存放方法参数和方法内定义的局部变量。在编译阶段,就在方法表的Code属性的max.

黄智霖的博客 8055

《深入理解Java虚拟机(第三版)》读书笔记:虚拟机类加载机制、虚拟机字节码执行引擎、编译与优化

JVM虚拟机类加载机制、虚拟机字节码执行引擎、编译与优化

阿正的梦工坊 1538

《深入理解java虚拟机》读书笔记

1. 运行时数据区域 1.1 程序技术器 可以看作是当前线程所执行的字节码的行号指示器,通过它来取下一条需要执行的指令。 线程私有内存。Java虚拟机的多线程是通过线程轮流切换并分配处理器执行时间的方式来实现的,在任何一个确定的时刻,一个处理器(对于多核处理器来说是一个内核)都只会执行一条线程中的指令。 因此,为了线程切换后能恢复到正确的执行位置,每条线程都需要有一个独立的程序计数器,各条线

啊哈的博客 1505

深入理解Java虚拟机 读书笔记

深入理解Java虚拟机 读书笔记Java的内存区域 程序计数器,就是操作系统里面的PC指针,指向当前执行的代码的地址,线程私有。 Java虚拟机栈,线程私有,每个线程对应一个栈,每个方法对应一个栈帧,一个方法的执行就是出栈入栈的过程。 Java堆,线程共享的,用于存放对象的实例,垃圾收集管理的主要区域,大部分GC采用分代收集法,所以GC区分为新生代和老年代。(更详细的垃圾回收部分后面会讲) 方法区,

huanglong0438的专栏 575

深入理解java虚拟机读书笔记

2.Java内存区域与内存溢出异常 2.2运行时数据区域 2.2.1程序计数器 一小块内存空间,相当于字节码行号指示器,字节码解释器通过这个计数器来执行下一步需要执行字节码指令 jvm多线程是通过线程轮流切换分配处理器时间的,每个线程都有独立的计数器,独立存储,互不影响,这类内存区域称为“线程私有”内存 如果线程执行的是native方法,则计数器为空。 2.2.2Java虚拟机栈 同程序计...

香榭的落叶 461
上一篇: 线程池ThreadPoolExecutor详解
下一篇: 设计一个简单、易用、高效的流程审批项目
格雷AI实战
博客等级 码龄9年 11粉丝 6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