注解和反射学习

一、内置注解

  1. @Override:只用于修饰方法,表示方法重写
  2. @Deprecated:由于修饰方法、属性、类,表示不推荐使用
  3. @SupperessWarings:抑制警告

二、元注解

  1. @Target:用于描述注解的使用范围
  2. @Retention:用于描述注解的生命周期
  3. @Documented:是否生成文档注释
  4. @Inherited:子类可以继承父类的注解

三、自定义注解

package annotation;

import java.lang.annotation.*;

/**
 * @author BlackDark
 */
@Target(value = {
        ElementType.TYPE,
        ElementType.METHOD,
        ElementType.FIELD
})
@Retention(RetentionPolicy.RUNTIME)
@Documented
public @interface MyAnnotation {
    //注解的参数:类型+参数名+默认值
    String name() default "";
    int value() default 0;
    String [] values() default {};
}

四、反射

1.Class类

(1)Class本身是一个类,并且Class对象只能由系统创建
(2)一个加载的类,在JVM中只有一个对应的Class对象实例
(3)一个Class实例对应的是一个加载到JVM中的一个.class文件
(4)每个类的实例都会记录是由哪个Class实例产生的
(5)通过Class实例可以获取一个类所有被加载的结构
(6)Class是reflection的根源,对任何想要动态加载,运行的类,首先需要获取相应的Class对象

2.Class类的常用方法

在这里插入图片描述

3.获取Class的实例

在这里插入图片描述

五、java内存分析

1.堆

(1)存放new的对象和数组
(2)可以被所有线程共享,不会存放别的对象的引用

2.栈

(1)存放基本变量类型,包含这个基本变量的具体数值
(2)引用对象的变量,存放这个对象在堆内存中的具体地址

3.方法区(特殊的堆)

(1)包含所有的class和static变量
(2)可以被所有线程共享

六、类加载与ClassLoader的理解

(1)第一步:加载(Load)
将类的.class文件字节码内容加载到内存中,并将静态数据转换成方法区的运行时数据结构,然后生成一个代表这个类的java.lang.Class对象。此过程由类加载器完成
(2)第二步:链接(Link),将java类的二进制代码合并到JVM的运行状态之中的过程

  • 验证:确保加载的类的信息符合JVM规范,不存在安全方面问题
  • 准备:正式为类变量分配内存并设置类变量默认初始值阶段,这些内存都将在方法区进行分配
  • 解析:虚拟机内常量池引用(常量名)替换为直接引用(地址)的过程
    (3)第三步:初始化(Initialize)
  • 执行类构造器方法的过程,类构造器方法是由编译期自动收集类中所有的类变量的赋值动作和静态代码块中的语句合并产生的,(类构造器是构造类信息的,不是构造该类对象的构造器)。
  • 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
  • 虚拟机会保证一个类的方法在多线程环境中被正确加锁和同步

七、什么时候发生类的初始化

(1)类的主动引用(一定会发生类的初始化)

  • 虚拟机启动,先初始化main方法所在的类
  • new一个类的对象
  • 调用类的静态成员和静态方法
  • 使用java.lang.reflect包的方法对类进行反射调用
  • 当初始化一个类时,它的父类没有被初始化,则先初始化其父类
    (2)类的被动引用(不会发生类的初始化)
  • 当访问一个静态域时,只有真正声明这个域的类才会被初始化
  • 通过数组定义类引用,不会触发该类的初始化
  • 引用常量不会触发此类的初始化(在链接阶段就已经存入了调用类的常量池中)
### 部署 Stable Diffusion 的准备工作 为了成功部署 Stable Diffusion,在本地环境中需完成几个关键准备事项。确保安装了 Python 和 Git 工具,因为这些对于获取源码和管理依赖项至关重要。 #### 安装必要的软件包和支持库 建议创建一个新的虚拟环境来隔离项目的依赖关系。这可以通过 Anaconda 或者 venv 实现: ```bash conda create -n sd python=3.9 conda activate sd ``` 或者使用 `venv`: ```bash python -m venv sd-env source sd-env/bin/activate # Unix or macOS sd-env\Scripts\activate # Windows ``` ### 下载预训练模型 Stable Diffusion 要求有预先训练好的模型权重文件以便能够正常工作。可以从官方资源或者其他可信赖的地方获得这些权重文件[^2]。 ### 获取并配置项目代码 接着要做的就是把最新的 Stable Diffusion WebUI 版本拉取下来。在命令行工具里执行如下指令可以实现这一点;这里假设目标路径为桌面下的特定位置[^3]: ```bash git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git ~/Desktop/stable-diffusion-webui cd ~/Desktop/stable-diffusion-webui ``` ### 设置 GPU 支持 (如果适用) 当打算利用 NVIDIA 显卡加速推理速度时,则需要确认 PyTorch 及 CUDA 是否已经正确设置好。下面这段简单的测试脚本可以帮助验证这一情况[^4]: ```python import torch print(f"Torch version: {torch.__version__}") if torch.cuda.is_available(): print("CUDA is available!") else: print("No CUDA detected.") ``` 一旦上述步骤都顺利完成之后,就可以按照具体文档中的指导进一步操作,比如调整参数、启动服务端口等等。整个过程中遇到任何疑问都可以查阅相关资料或社区支持寻求帮助。
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