类加载机制

首先,这里所说的类不是Java类,而是编译之后的class字节码文件。
一个类从被加载到虚拟机内存中开始,到卸载出内存为止,它的声明周期为:
在这里插入图片描述

那么什么时候进行第一阶段(加载)呢?Java虚拟机并没有规定,但必须在初始化阶段之前。对初始化来说,虚拟机规定了5类情况必须对类进行初始化,分别为:
1. 遇到new、getstatic、putstatic或invokestatic这4条字节码指令时,如果类没有进行初始化,则需要先触发其初始化。
2. 使用java.lang.reflect包的方法对类进行反射调用的时候。
3. 当初始化一个类的时候,如果发现其父类还没有进行初始化,则需要先触发其父类的初始化。
4. 当虚拟机启动时,用户需要指定一个要执行的主类,虚拟机会先初始化这个主类。
5. 当使用JDK 1.7的动态语言支持时,如果一个java.lang.invoke.MethodHandle实例最后的解析结果REF_getStatic、REF_putstatic、REF_invokestatic的方法句柄,并且这个方法句柄所对应的类没有进行初始化。

另外,除此之外的被动引用都不会触发初始化。

**
 *  通过子类引用父类的静态字段,不会导致子类初始化
 **/
public class SuperClass {
	static {
		System.out.println("SuperClass init!");
	}
	public static int value = 123;
}

public class SubClass extends SuperClass {
	static {
		System.out.println("SubClass init!");
	}
}

/**
 * 非主动使用类字段
 **/
public class NotInitialization {
	public static void main(String[] args) {
		System.out.println(SubClass.value);
	}
}

上述代码输出SuperClass init!说明子类不会进行初始化。 对于静态字段,只有直接定义这个字段的类才会被初始化。

/**
 * 通过数组定义来引用类,不会触发此类的初始化,而是会触发另外一个名为[Lorg.fenixsoft.classloading.SuperClass的类初始化,
 * 这个类是虚拟机自动创建的用来描述数组的类。
 **/
public class NotInitialization {
	public static void main(String[] args) {
		SuperClass [] sca = new SuperClass [10];
	}
}
/**
 * 常量在编译阶段会存入调用类的常量池中,本质上并没有直接引用到定义常量的类,
 * 因此不会触发定义常量的类初始化
 **/
 public class ConstClass {
 	static {
 		System.out.println("ConstClass init!");
 	}
	public static final String HELLOWORLD = "hello world";
}

public class NotInitialization {
	public static void main(String[] args) {
		System.out.println(ConstClass.HELLOWORLD );
	}
}
  • 加载

接下来,我们进入具体的加载过程,在加载阶段,虚拟机通常需要完成三件事:
1. 通过一个类的全限定名来获取定义此类的二进制字节流。
2. 将这个字节流所代表的静态存储结构转化为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的访问接口。

其中,1是通过类加载器来实现,可以通过重写一个类加载器的loadClass()方法来自定义类加载器,可以实现从诸如ZIP包、网络等的二进制流。
但对于数组来说,数组本身是由Java虚拟机直接创建,而不是通过类加载器创建。
具体来说,就是将class文件中的信息放到方法区,并提供一个类的访问接口。

  • 验证
    验证是连接的第一阶段,主要目的是确保Class文件的字节流中包含的信息符合当前虚拟机的要求,并且不会危害虚拟机自身的安全。
    主要有以下几种验证:

    1. 文件格式验证,为了保证数据的字节流能正确的解析并存储于方法取,基于二进制字节流。
    2. 元数据验证 对字节码信息进行语义分析,保证符合Java规范。基于方法区的存储结构。
    3. 字节码验证 对类的方法体进行校验分析,保证类的方法合法。 基于方法区的存储结构。
    4. 符号引用验证 确保解析动作能正常执行。发生在虚拟机将符号引用转化为直接引用的时候。
  • 准备
    在确保了二进制字节流合法之后,进入正式为类变量分配内存并设置类变量初始值的阶段。
    具体方法是将类中的类变量按照定义的先后顺序收集起来,交给类构造器 **clinit()**方法(仅存放在方法中,不执行),分配内存初始化(系统的默认值)。
    如有下面语句:

public static int value = 123;

在准备阶段初始化之后,value的值为0,而不是123,123的赋值操作要在初始化阶段之后。

  • 解析
    这一阶段是虚拟机将常量池内的符号引用替换为直接引用的过程。那什么是符号引用,什么是直接引用呢?、
    符号引用:一组用来描述所引用的目标的字面量,可以无歧义的定位到目标。与虚拟机实现的内存布局无关。
    直接引用: 可以是直接指向目标的指针、相对便宜量或是一个能间接定位到目标的句柄。

  • 初始化
    这个阶段就是执行类构造器cinit()方法的过程。同样是针对类变量。

下面对<cinit>()方法解析:
1. <cinit>()方法是由编译器自动收集类中的所有类变量的赋值赋值和静态语句块中的语句合并而成。(按照在源文件中的出现顺序)
2. 与类的构造函数不同,不需要显示的调用父类<cinit>()方法,虚拟机会保证在子类的<cinit>()方法执行之前父类的<cinit>()以及执行完毕。
3. 父类中的静态语句块要优先于子类的变量赋值操作。

到此为止,类的加载过程基本完成,所有有关类的信息都存储在方法区中。

标题基于SpringBoot+Vue的学生交流互助平台研究AI更换标题第1章引言介绍学生交流互助平台的研究背景、意义、现状、方法与创新点。1.1研究背景与意义分析学生交流互助平台在当前教育环境下的需求及其重要性。1.2国内外研究现状综述国内外在学生交流互助平台方面的研究进展与实践应用。1.3研究方法与创新点概述本研究采用的方法论、技术路线及预期的创新成果。第2章相关理论阐述SpringBoot与Vue框架的理论基础及在学生交流互助平台中的应用。2.1SpringBoot框架概述介绍SpringBoot框架的核心思想、特点及优势。2.2Vue框架概述阐述Vue框架的基本原理、组件化开发思想及与前端的交互机制。2.3SpringBoot与Vue的整合应用探讨SpringBoot与Vue在学生交流互助平台中的整合方式及优势。第3章平台需求分析深入分析学生交流互助平台的功能需求、非功能需求及用户体验要求。3.1功能需求分析详细阐述平台的各项功能需求,如用户管理、信息交流、互助学习等。3.2非功能需求分析对平台的性能、安全性、可扩展性等非功能需求进行分析。3.3用户体验要求从用户角度出发,提出平台在易用性、美观性等方面的要求。第4章平台设计与实现具体描述学生交流互助平台的架构设计、功能实现及前后端交互细节。4.1平台架构设计给出平台的整体架构设计,包括前后端分离、微服务架构等思想的应用。4.2功能模块实现详细阐述各个功能模块的实现过程,如用户登录注册、信息发布与查看、在线交流等。4.3前后端交互细节介绍前后端数据交互的方式、接口设计及数据传输过程中的安全问题。第5章平台测试与优化对平台进行全面的测试,发现并解决潜在问题,同时进行优化以提高性能。5.1测试环境与方案介绍测试环境的搭建及所采用的测试方案,包括单元测试、集成测试等。5.2测试结果分析对测试结果进行详细分析,找出问题的根源并
内容概要:本文详细介绍了一个基于灰狼优化算法(GWO)优化的卷积双向长短期记忆神经网络(CNN-BiLSTM)融合注意力机制的多变量多步时间序列预测项目。该项目旨在解决传统时序预测方法难以捕捉非线性、复杂时序依赖关系的问题,通过融合CNN的空间特征提取、BiLSTM的时序建模能力及注意力机制的动态权重调节能力,实现对多变量多步时间序列的精准预测。项目不仅涵盖了数据预处理、模型构建与训练、性能评估,还包括了GUI界面的设计与实现。此外,文章还讨论了模型的部署、应用领域及其未来改进方向。 适合人群:具备一定编程基础,特别是对深度学习、时间序列预测及优化算法有一定了解的研发人员和数据科学家。 使用场景及目标:①用于智能电网负荷预测、金融市场多资产价格预测、环境气象多参数预报、智能制造设备状态监测与预测维护、交通流量预测与智慧交通管理、医疗健康多指标预测等领域;②提升多变量多步时间序列预测精度,优化资源调度和风险管控;③实现自动化超参数优化,降低人工调参成本,提高模型训练效率;④增强模型对复杂时序数据特征的学习能力,促进智能决策支持应用。 阅读建议:此资源不仅提供了详细的代码实现和模型架构解析,还深入探讨了模型优化和实际应用中的挑战与解决方案。因此,在学习过程中,建议结合理论与实践,逐步理解各个模块的功能和实现细节,并尝试在自己的项目中应用这些技术和方法。同时,注意数据预处理的重要性,合理设置模型参数与网络结构,控制多步预测误差传播,防范过拟合,规划计算资源与训练时间,关注模型的可解释性和透明度,以及持续更新与迭代模型,以适应数据分布的变化。
评论 1
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