线程池 基础

new Thread弊端

  • 每次new Thread都要新建对象,性能差;
  • 通过new Thread创建的线程缺乏统一管理,可能会无限制的新建线程,相互竞争,有可能占用过多系统资源导致死机或OOM;
  • 缺少更多功能,比如更多的执行,定期执行,线程中断;

线程池的好处

  • 重用存在的线程,减少对象创建,消亡的开销,性能好;
  • 可有效的控制最大并发线程数,提高系统资源利用率,避免过多资源竞争,避免阻塞;
  • 提供定时执行,定期执行,单线程,并发数控制等功能;

ThreadPoolExecutor

  • 初始化参数
    • corePoolSize:核心线程数量;
    • maximumPoolSize:最大线程数;
    • workQueue:阻塞队列,存储等待执行的任务,很重要,会对线程池运行过程产生重大影响;
    • keepAliveTime:线程池维护线程所允许的空闲时间,当线程池中的线程数量大于corePoolSize时,如果没有新任务提交,corePoolSize外的线程不会立即销毁,而是等待,直到等待的时间超过keepAliveTime;
    • unit:keepAliveTime的时间单位;
    • threadFactory:线程工厂,用来创建线程,默认会有一个默认的工厂创建线程,使用默认的线程工厂创建线程,会使新创建的线程具有相同的优先级,并且是非守护线程,同时也设置了线程名称;
    • handler:拒绝任务时的策略,如果workQueue对应的阻塞队列满了,并且没有空闲的线程时,对新提交的任务,就需要采取一种策略来处理,线程池总共提供4中策略:1)直接抛出异常(默认);2)用调用者所在的线程来执行任务;3)丢弃队列中最靠前的任务并执行当前任务;4)直接丢弃这个任务;
  • 如果运行线程数小于corePoolSize,直接创建新线程来处理任务;
  • 如果运行线程数大于等于corePoolSize,且小于maximumPoolSize,则只有当workQueue满的时候再创建新线程去处理任务;
  • 如果corePoolSize和maximumPoolSize相等,则创建的线程池大小是固定的,有新任务提交时,如果workQueue还没满,就把请求放入workQueue等待有空闲的线程从中取出任务 ;如果运行的线程数量大于maximumPoolSize,且workQueue也已经满了,通过拒绝策略参数来指定策略去处理该任务;
workQueue
  • 保存等待执行的任务的阻塞队列,当提交一个新的任务到线程池后,线程池会根据线程池中正在运行的线程的数量决定该任务的处理方式,处理方式有3种:1)直接切换;2)使用无界队列;3)使用有界队列;
  • 直接切换:SynchronousQueue ;
  • 使用无界队列:LinkedBlockingQueue,线程池中能创建的最大线程数是corePoolSize,maximumPoolSize将不会起作用,当所有的核心线程都是运行状态时,有新的任务提交之后,就会放入等待队列;
  • 使用有界队列:ArrayBlockingQueue,将限制线程池中的最大线程数量为maximumPoolSize,这种方式能降低资源的消耗,但是线程池对线程调度更困难;

注:线程池的创建很简单,重点是参数的设置;

线程池实例的几种状态

  • 8195388-28fd991b02ff9b4c.png
    线程池实例的状态.png
  • RUNNING:能接收新提交的任务,也能处理阻塞队列中的任务;
  • SHUTDOWN:不能再接受新提交的任务,但可以处理阻塞队列中已经保存的任务,RUNNING调用shutdown()会进入该状态;
  • STOP:不能接收新任务,也不处理队列中的任务,会中断正在处理任务的线程,RUNNING和SHUTDOWN调用shutdownNow()会进入该状态;
  • TIDYING:如果所有任务已经终止,有效线程数为0,线程池会进入该状态;
  • TERMINATED:TIDYING调用terminated()方法进入该状态;

这些状态无须手动处理,线程池内部自维护的;

ThreadPoolExecutor提供的方法

  • execute():提交任务,交给线程池执行;
  • submit():提交任务,能够返回执行结果,execute + Future;
  • shutdown():关闭线程池,等待任务都执行完;
  • shutdownNow():关闭线程池,不等待任务执行完,也会暂停正在被执行的线程;
ThreadPoolExecutor中适用于监控的方法
  • getTaskCount():线程池已执行和未执行的任务总数;
  • getCompletedTaskCount():已完成的任务数量;
  • getPoolSize():线程池当前的线程数量;
  • getActiveCount():线程池中正在执行任务的线程数量;

线程池类图

8195388-29527ca924eba493.png
线程池类图.png

J.U.C提供的一些额外方法

  • Executors.newCachedThreadPool(),创建可缓存的线程池,如果线程池长度超过处理的需要,可以灵活回收空闲线程,如果没有可以回收的,就新建线程;
  • Executors.newFixedThreadPool(),创建定长的线程池,可以控制线程的最大并发数,超出的线程会在队列中等待;
  • Executor.newScheduledThreadPool(),创建的也是定长的线程池,支持定时以及周期性的任务执行;
  • Executors.newSingleThreadExecutor(),创建的单线程化的线程池,只会用唯一的工作线程执行任务,保证所有任务按照指定顺序(先入先出,优先级)执行;

合理配置

  • CPU密集型任务,就需要尽量压榨CPU,参考值可以设为nCPU+1;
  • IO密集型任务,参考值可以设置为2*nCPU;
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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