volatile关键字

一、首先来讲一下Java内存模型(JMM)

Java内存模型Java虚拟机定义的一种抽象规范,为了屏蔽不同硬件和操作系统的内存访问差异,

                               让Java程序在不同平台下都能达到一致的内存访问效果。



注意:因为直接操作主内存太慢,所以JVM不得不利用性能较高的工作内存。这里可以类比一下CPU、高速缓存和内存之间的关系。


JMM的工作模型如下所示:

通过一系列内存读写的操作指令(JVM内存模型共定义了8种内存操作指令,以后会细讲),

线程A把静态变量 s=0 从主内存读到工作内存,再把 s=3 的更新结果同步到主内存当中。

在多线程情况下会存在线程安全问题:

***正常情况***

***异常情况***

因为工作内存所更新的变量并不会立即同步到主内存,所以虽然线程A在工作内存当中已经把变量s的值更新成3,

但是线程B从主内存得到的变量s的值仍然是0,从而输出 s=0。

解决方案:对变量s使用volatile关键字

注意:synchronized同步锁虽然可以保证线程安全,但对程序性能影响太大,所以采用轻量级的处理方法volatile。


二、volatile的特性之一:保证了被修饰变量对所有线程的可见性

这里的可见性是什么意思呢?当一个线程修改了变量的值,新的值会立刻同步到主内存中。当其他线程读取这个变量时, 

                                               会从主内存中拉取这个变量的最新值。

volatile为什么会有这样的特性?得益于Java语言的先行发生原则

先行发生原则:在计算机科学中,先行发生原则是两个事件的结果之间的关系,如果一个事件发生在另一个事件之前,结果必须

                         反映,即使这些事件实际上是乱序执行的(通常是优化程序流程)。

****************************************************************************************************************

这里所谓的事件,实际上就是各种指令操作,比如读操作、写操作、初始化操作、锁操作等等。

先行发生原则作用于很多场景下,包括同步锁、线程启动、线程终止、volatile。我们这里只列举出volatile相关的规则:

对于一个volatile变量的写操作先行发生于后面对这个变量的读操作。

回到上述的代码例子,如果在静态变量s之前加上volatile修饰符:

volatile static int s = 0;

线程A执行如下代码:

s = 3;

这时候我们引入线程B,执行如下代码:

System.out.println("s=" + s);

当线程A先执行的时候,把s = 3写入主内存的事件必定会先于读取s的事件。所以线程B的输出一定是s = 0。
****************************************************************************************************************************************

三、【注意】volatile只能保证变量的可见性,不能保证变量的原子性:
看这一段程序

这段代码是什么意思呢?很简单,开启10个线程,每个线程当中让静态变量count自增100次。执行之后会发现,最终count的结果值未必是1000,有可能小于1000

使用volatile修饰的变量,为什么并发自增的时候会出现这样的问题呢?这是因为count++这一行代码本身并不是原子性操作,在字节码层面可以拆分成如下指令:

getstatic        //读取静态变量(count)

iconst_1        //定义常量1

iadd               //count增加1

putstatic        //把count结果同步到主内存

虽然每一次执行 getstatic 的时候,获取到的都是主内存的最新变量值,但是进行iadd的时候,由于并不是原子性操作,其他线程在这过程中很可能让count自增了很多次。这样一来本线程所计算更新的是一个陈旧的count值,自然无法做到线程安全:

因此,什么时候适合用volatile呢?

1.运行结果并不依赖变量的当前值,或者能够确保只有单一的线程修改变量的值。

2.变量不需要与其他的状态变量共同参与不变约束。

第一条很好理解,就是上面的代码例子。第二条是什么意思呢?可以看看下面这个场景:

volatile static int start = 3;

volatile static int end = 6;

线程A执行如下代码:

while (start < end){

  //do something

}

线程B执行如下代码:

start+=3;

end+=3;

这种情况下,一旦在线程A的循环中执行了线程B,start有可能先更新成6,造成了一瞬间 start == end,从而跳出while循环的可能性。

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
(来自程序员小灰)


内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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