JVM进阶之路（七）垃圾收集器盘点

加班不秃顶 加班不秃顶 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 800+累计阅读 864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7年
关注
原创 最新推荐文章于 2026-03-09 03:33:20 发布 864 阅读 AI 写同款· GEO 优化 ›
JVM-垃圾收集器 通过学习了解到现在商用的JVM中的垃圾收集采用的是分带收集算法，那么针对不同年代采用了不同的收集算法，从而在JVM发展的过程中，就产生了不同的垃圾收集器，一般分为新生代收集器和老年代收集器，两者相互组合进行GC操作（下图中相连的垃圾收集器表示可以相互组合，注意Serial Old和CMS也可以联合进行老年代的垃圾收集）。JDK6u14中开始测试的G1垃圾收集器，正式发布于JDK7u4中，是目前唯一 阅读详情

在前面，我们已经了解了JVM的分代收集，知道JVM垃圾收集在新生代主要采用标记-复制算法，在老年代主要采用标记-清除和标记-整理算法。接下来，我们看一看JDK默认虚拟机HotSpot的一些垃圾收集器的实现。

1、常见垃圾回收器

首先来看一下JDK 11之前全部可用的垃圾收集器。

HotSpot虚拟机

图中列出了七种垃圾收集器，连线表示可以配合使用，所在区域表示它是属于新生代收集器或是老年代收集器。

这里还标出了垃圾收集器采用的收集算法，G1收集器比较特殊，整体采用标记-整理算法，局部采用标记-复制算法，后面再细讲。

1.1、Serial收集器

Serial收集器是最基础、历史最悠久的收集器。

如同它的名字（串行），它是一个单线程工作的收集器，使用一个处理器或一条收集线程去完成垃圾收集工作。并且进行垃圾收集时，必须暂停其他所有工作线程，直到垃圾收集结束——这就是所谓的“Stop The World”。

Serial/Serial Old收集器的运行过程如图：

Serial/Serial Old收集器运行示意图

1.2、ParNew收集器

ParNew收集器实质上是Serial收集器的多线程并行版本，使用多条线程进行垃圾收集。

ParNew收集器的工作过程如图所示：

ParNew/Serial Old收集器运行示意图

这里值得一提的是Par是Parallel（并行）的缩写，但需要注意的是，这个并行（Parallel）仅仅是描述同一时间多条GC线程协同工作，而不是GC线程和用户线程同时运行。ParNew垃圾收集也是需要Stop The World的。

1.3、Parallel Scavenge收集器

Parallel Scavenge收集器是一款新生代收集器，基于标记-复制算法实现，也能够并行收集。和ParNew有些类似，但Parallel Scavenge主要关注的是垃圾收集的吞吐量。

所谓吞吐量指的是运行用户代码的时间与处理器总消耗时间的比值。这个比例越高，证明垃圾收集占整个程序运行的比例越小。

吞吐量

Parallel Scavenge收集器提供了两个参数用于精确控制吞吐量:

  • -XX：MaxGCPauseMillis，最大垃圾回收停顿时间。这个参数的原理是空间换时间，收集器会控制新生代的区域大小，从而尽可能保证回收少于这个最大停顿时间。简单的说就是回收的区域越小，那么耗费的时间也越小。
    所以这个参数并不是设置得越小越好。设太小的话，新生代空间会太小，从而更频繁的触发GC。

  • -XX：GCTimeRatio，垃圾收集时间与总时间占比。这个是吞吐量的倒数，原理和MaxGCPauseMillis相同。

由于与吞吐量关系密切，Parallel Scavenge收集器也经常被称作“吞吐量优先收集器”。

1.4、Serial Old收集器

Serial Old是Serial收集器的老年代版本，它同样是一个单线程收集器，使用标记-整理算法。

Serial Old收集器的工作过程如图：

Serial/Serial Old收集器运行示意图

1.5、Parallel Old收集器

Parallel Old是Parallel Scavenge收集器的老年代版本，支持多线程并发收集，基于标记-整理算法实现。

Parallel Scavenge/Parallel Old收集器运行示意图

1.6、CMS收集器

CMS（Concurrent Mark Sweep）收集器是一种以获取最短回收停顿时间为目标的收集器，同样是老年代的收集齐，采用标记-清除算法。

CMS收集齐的垃圾收集分为四步：

  • 初始标记（CMS initial mark）：单线程运行，需要Stop The World，标记GC Roots能直达的对象。
  • 并发标记（（CMS concurrent mark）：无停顿，和用户线程同时运行，从GC Roots直达对象开始遍历整个对象图。
  • 重新标记（CMS remark）：多线程运行，需要Stop The World，标记并发标记阶段产生对象。
  • 并发清除（CMS concurrent sweep）：无停顿，和用户线程同时运行，清理掉标记阶段标记的死亡的对象。

涉及到了多次标记的过程，这里插入一点三色抽象的知识。三色抽象用来描述对象在垃圾收集过程中的状态。

通常白色代表对象未被扫描到，灰色表示对象被扫描到但未被处理，黑色表示对象及其后代已被处理。在CMS的标记和清除过程中就用到了这种抽象，详细的可以查看参考【5】。

Concurrent Mark Sweep收集器运行示意图如下：

Concurrent Mark Sweep收集器运行示意图

优点：CMS最主要的优点在名字上已经体现出来——并发收集、低停顿。

缺点：CMS同样有三个明显的缺点。

  • Mark Sweep算法会导致内存碎片比较多

  • CMS的并发能力比较依赖于CPU资源，并发回收时垃圾收集线程可能会抢占用户线程的资源，导致用户程序性能下降。

  • 并发清除阶段，用户线程依然在运行，会产生所谓的理“浮动垃圾”（Floating Garbage），本次垃圾收集无法处理浮动垃圾，必须到下一次垃圾收集才能处理。如果浮动垃圾太多，会触发新的垃圾回收，导致性能降低。

1.7、Garbage First收集器

Garbage First（简称G1）收集器是垃圾收集器的一个颠覆性的产物，它开创了局部收集的设计思路和基于Region的内存布局形式。

虽然G1也仍是遵循分代收集理论设计的，但其堆内存的布局与其他收集器有非常明显的差异。以前的收集器分代是划分新生代、老年代、持久代等。

垃圾分代区域

G1把连续的Java堆划分为多个大小相等的独立区域（Region），每一个Region都可以根据需要，扮演新生代的Eden空间、Survivor空间，或者老年代空间。收集器能够对扮演不同角色的Region采用不同的策略去处理。

G1 Heap Regions

这样就避免了收集整个堆，而是按照若干个Region集进行收集，同时维护一个优先级列表，跟踪各个Region回收的“价值，优先收集价值高的Region。

G1收集器的运行过程大致可划分为以下四个步骤：

  • 初始标记（initial mark），标记了从GC Root开始直接关联可达的对象。STW（Stop the World）执行。

  • 并发标记（concurrent marking），和用户线程并发执行，从GC Root开始对堆中对象进行可达性分析，递归扫描整个堆里的对象图，找出要回收的对象、

  • 最终标记（Remark），STW，标记再并发标记过程中产生的垃圾。

  • 筛选回收（Live Data Counting And Evacuation），制定回收计划，选择多个Region 构成回收集，把回收集中Region的存活对象复制到空的Region中，再清理掉整个旧 Region的全部空间。需要STW。

G1收集器运行示意图

相比CMS，G1的优点有很多，可以指定最大停顿时间、分Region的内存布局、按收益动态确定回收集。

只从内存的角度来看，与CMS的“标记-清除”算法不同，G1从整体来看是基于“标记-整理”算法实现的收集器，但从局部（两个Region 之间）上看又是基于“标记-复制”算法实现，无论如何，这两种算法都意味着G1运作期间不会产生内存空间碎片，垃圾收集完成之后能提供规整的可用内存。

2、前沿垃圾回收器

2.1、ZGC收集器

在JDK 11当中，加入了实验性质的ZGC。它的回收耗时平均不到2毫秒。它是一款低停顿高并发的收集器。

与CMS中的ParNew和G1类似，ZGC也采用标记-复制算法，不过ZGC对该算法做了重大改进：ZGC在标记、转移和重定位阶段几乎都是并发的，这是ZGC实现停顿时间小于10ms目标的最关键原因。

ZGC垃圾回收周期

ZGC虽然在JDK 11还处于实验阶段，但由于算法与思想是一个非常大的提升，未来前景相信还是很广阔的。

3、垃圾收集器选择

3.1、收集器选择权衡

垃圾收集器的选择需要权衡的点还是比较多的——例如运行应用的基础设施如何？使用JDK的发行商是什么？等等……

这里简单地列一下上面提到的一些收集器的适用场景：

  • Serial ：如果应用程序有一个很小的内存空间（大约100 MB）亦或它在没有停顿时间要求的单线程处理器上运行。
  • Parallel：如果优先考虑应用程序的峰值性能，并且没有时间要求要求，或者可以接受1秒或更长的停顿时间。
  • CMS/G1：如果响应时间比吞吐量优先级高，亦或垃圾收集暂停必须保持在大约1秒以内。
  • ZGC：如果响应时间是高优先级的，亦或堆空间比较大。

3.1、设置垃圾收集器

设置垃圾收集器（组合）的参数如下：

新生代老年代JVM 参数
IncrementalIncremental-Xincgc
SerialSerial-XX:+UseSerialGC
Parallel ScavengeSerial-XX:+UseParallelGC -XX:-UseParallelOldGC
Parallel NewSerialN/A
SerialParallel OldN/A
Parallel ScavengeParallel Old-XX:+UseParallelGC -XX:+UseParallelOldGC
Parallel NewParallel OldN/A
SerialCMS-XX:-UseParNewGC -XX:+UseConcMarkSweepGC
Parallel ScavengeCMSN/A
Parallel NewCMS-XX:+UseParNewGC -XX:+UseConcMarkSweepGC
G1-XX:+UseG1GC
收录于
Java

当前文章被收录于：

Java
232 篇文章 2 人学习
订阅专栏 查看详情
标签
#jvm #java
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Java JVM 中的垃圾收集器及其配置指南 Serial GC: 单线程，适用于小型应用。: 多线程，适用于需要高吞吐量的应用。是 JDK 8 的默认垃圾收集器。: 并发垃圾收集，适用于低停顿时间需求的应用。: 平衡吞吐量和停顿时间，是 JDK 9+ 的默认垃圾收集器。: 超低延迟垃圾收集器，适用于需要极低停顿时间的大内存应用。: 类似于 ZGC，也是超低延迟垃圾收集器。Epsilon GC: 无操作垃圾收集器，主要用于测试和基准分析。在选择 Java 的垃圾收集器时，应根据应用程序的特点和需求来选择最合适的垃圾收集器。 阅读详情

相关推荐

直通BAT必考题系列：7种JVM垃圾收集器特点，优劣势、及使用场景

直通BAT必考题系列：7种JVM垃圾收集器特点，优劣势、及使用场景。

jvm中的不同垃圾收集器特点以及区别

jvm中的不同垃圾收集器特点以及区别

qq_42003636的博客 466

VFIO框架源码分析（二十一）- IOMMUFD 模式下的 DMA 映射机制

在虚拟化 I/O 的世界里，无论上层管理面（如对象模型、设备绑定）如何重构，数据面最核心的任务始终未变——DMA 映射（DMA Mapping）。即如何建立 Guest Physical Address (GPA) 到 Host Physical Address (HPA) 的映射关系，并将其填入 IOMMU 的硬件页表中，使得直通设备能够正确访问虚拟机内存。在 Legacy VFIO (Type1) 时代，这一职责由承担，它通过ioctl 操作 Container。

qq_36071928的博客 1005

几种垃圾收集器对比及使用场景

1.收集器概览   Oracle Hotspot JVM中实现了多种垃圾收集器，针对不同的年龄代内存中的对象的生存周期和应用程序的特点，实现了多款垃圾收集器。   单线程GC收集器包括Serial和SerialOld这两款收集器，分别用于年轻代和老年代的垃圾收集工作。随着CPU多核的普及，为了更好了利用多核的优势，开发了ParNew收集器，这款收集器是Serial收集器的多线程版本。   多线程收集器还包括Parallel Scavenge和Parallel Old收集器，这两款也分别用于年轻代和老年代的垃

聚散有时 来日可期 2014

利用易特天下 ipbox&零层壹号 sdwan 组网盒子实现异地组网

一款支持zerotier的异地组网盒子

v808v808的博客 3347

从零构建：基于Docker与FRR的OSPF虚拟网络实验室

本文详细介绍了如何利用Docker与FRR构建OSPF虚拟网络实验室，从环境设计到高级网络拓扑配置，再到实验验证与排错。通过容器化技术实现高效资源利用和快速部署，特别适合网络协议教学、企业网络架构验证等场景。

plum99的博客 219

【JVM进阶之路】七：垃圾收集器盘点

JVM进阶之路第七篇，盘点主流和前沿垃圾收集器。

三分恶的博客 3131

无网络环境部署：手动获取并安装OneNote for Windows 10完整指南

本文提供了一份详尽的OneNote for Windows 10离线安装指南。针对无网络或内网隔离环境，详细介绍了如何从官方渠道获取正确的产品ID，利用第三方工具下载纯净的.appxbundle安装包，并解决系统兼容性与依赖框架问题。最后，通过PowerShell管理员命令完成安全部署，是IT管理员和高级用户在离线环境下部署UWP应用的实用参考。

loss4bartender的博客 495

JVM原理（五）：JVM发展至今的七款垃圾收集器

上图展示了七种作用于不同分代的收集器，。图中收集器所在的区域，则表示它是属于。

zuodingquan666的博客 1105

Frida实战：高效dump Android内存中的so文件与修复技巧

本文详细介绍了使用Frida工具dump Android内存中已解密so文件的实战技巧。针对加固应用静态分析失效的痛点，文章提供了从环境搭建、使用frida_dump脚本自动化抓取内存数据，到利用SoFixer工具修复ELF文件结构的完整流程，帮助逆向分析人员高效获取可分析的so文件。

tt34567的博客 523

Ubuntu 系统下安装 OpenClaw（原 Clawdbot）的详细指南

Ubuntu 系统下安装 OpenClaw（原 Clawdbot）的详细指南

Science prince的博客 3533

JVM 垃圾收集器全面对比（Serial、CMS、G1、ZGC）

本文深入探讨了JVM中的垃圾收集器（GC），对比了四种主流GC：Serial、CMS、G1和ZGC。每种GC都有其独特的算法、并发能力和停顿特性，适用于不同的场景。Serial GC适合资源受限环境，CMS适用于低延迟服务，G1是现代化的分区回收器，适合大堆和混合场景，而ZGC则提供毫秒级停顿，适合超低延迟和大内存应用。文章还提供了每种GC的启动方式和调优建议，并总结了它们的优缺点和适用场景。最后，文章建议新项目优先选择G1，对延迟极度敏感的应用可尝试ZGC，并预告了下一篇关于GC日志解析与性能分析实战的内

zhangxzq的博客 1416

一文吃透 SAP IDoc 状态码：从 TEDS1 到 WE02 排障，再到 ABAP 自动化监控

在 SAP 集成场景里，IDoc 往往是最常见、也最容易被低估的一条生命线：采购订单、发票、主数据、库存移动……只要系统之间要稳定地交换结构化业务数据，IDoc 就经常登场。真正让人头疼的，并不是 IDoc 本身，而是它在链路里到底走到了哪一步、卡在了哪里、该找谁背锅。这篇文章把常用的 IDoc 状态码按出站、入站拆开讲清楚，并且把每个状态对应的真实世界故障现象、排查入口、以及可以落地的 ABAP 监控代码串起来，让你看到状态码就能想到动作。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 404

JVM垃圾收集——垃圾收集器

垃圾收集器的发展和分类、Serial收集器、ParNew收集器、Parallel Scaveng收集器、CMS收集器、G1收集器、ZGC收集器

码说芯语的博客 2901

【Matlab】matlab代码实现sph溃坝模拟

本文介绍了一个基于MATLAB的SPH溃坝模拟实现。代码使用平滑粒子流体动力学方法，通过建立1000个随机分布的粒子，计算粒子间的相互作用力来模拟流体运动。模拟过程包括初始化参数、粒子创建、密度压力更新、速度位置计算以及可视化展示。核心算法采用poly6Kernel和spikyKernelGradient函数处理粒子间作用力。该示例为二维简化模型，仅包含基本物理参数和计算流程，实际应用需进一步优化扩展。

unber的博客 205

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")

JVM系列(七) JVM 垃圾收集器

我们知道JVM会回收垃圾,但是每种垃圾收集器的收集机制和收集的方法都不一样,今天我们讨论下几种垃圾回收机制。

流浪的喵的博客 908

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

【JVM】垃圾收集器详解

垃圾收集器详解

关关的博客 1508

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

如何查看JVM使用的是什么垃圾收集器

本文介绍了如何查看JVM使用的垃圾收集器。然后又通过代码验证了一下大对象的内存分配策略：了解了什么情况下大对象会直接进入老年代。

长路漫漫，以勤作车 3300

JVM之垃圾收集器

JVM垃圾收集器是垃圾回收算法（标记-清除算法、复制算法、标记-整理算法）的具体实现，不同JVM所提供的垃圾收集器可能会有很大差别。Java垃圾回收器为应用程序提供内存的自动分配、自动回收功能。

积跬步，至千里。 819

一文搞懂 JVM 垃圾收集器

G1（Garbage-First）是一款面向服务器的垃圾收集器，主要针对配备多核心处理器及大容量内存的机器（4G 以上的服务器才建议使用 G1 垃圾回收器），结合多种垃圾收集算法，从整体上看是基于标记-整理算法，从局部来看是基于标记-复制算法，都不会产生空间碎片，可预测的停顿，可以指定垃圾收集的时间，以极高概率满足 GC 停顿时间要求的同时，还具备高吞吐量性能。总结：本篇简单分享了垃圾收集器的工作流程及原理，对我们理解 JVM 以及 JVM 内存调优有一定的帮助，希望可以帮助到正在提升的你。

weixin_42118323的博客 1103

JVM的垃圾收集器

继上期简单介绍了一下JVM的基本知识与垃圾回收机制，本期来为大家介绍JVM中垃圾回收器迭代与特性。

2301_77061447的博客 1037

JVM_垃圾收集器

注意：并行垃圾回收在单核CPU下可能会更慢。

m0_58617940的博客 1170
上一篇： JVM进阶之路（六）垃圾收集理论和算法
下一篇： JVM进阶之路（八）性能监控工具-命令行篇
点赞 14
评论 0
书签 书签 18
加班不秃顶
加班不秃顶
博客等级 码龄7年 1822粉丝 599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