JVM内存溢出原理及案例分析

前言

再程序中,什么是内存溢出呢?什么情况下会出现内存溢出呢?

内存溢出原理

一般来说,程序中出现内存溢出是非常严重的,一但出现内存溢出,会导致程序无法正常运行。一般再程序中,内存溢出分为两种:一种是 堆内存溢出。一种是永久代溢出

  • 堆内存溢出
    堆内存中存在大量的对象,这些对象都被引用,当所有对象占用空间达到堆内存的最大值,就会出现内存溢出 OutOfMemory:java heap space
    其实当内存满的时候,程序会触发GC,但是GC之后发现内存都被占用无法进行回收,导致无法腾出空间,内存空间不足,这个时候就会内存溢出。

  • 永久代溢出
    类的一些信息,如类名、访问修饰符、字段描述、方法描述等,所占用空间大于永久代最大值,就会出现OutOfMemoryError:PermGen space
    永久代溢出的情况通常来说非常少见,会有一种情况就是假设我们代码中的一些静态对象本身就又100M,但是我们只给他分配了50M,内存不够用,那么再启动的时候,就会报错内存溢出。这个问题非常好解决,我们只需要加大永久代的内存即可。

JAVA8移除了永久代,使用了元空间替代,所以JAVA8之后就没有永久代溢出了。

通常出现堆内存,都是程序中代码的设计存在一定问题,哪怕你加大堆内存,但是只能暂时性的缓解,但是内存溢出只是时间问题。

内存溢出的检测方法

jdk/bin 目录下提供了非常多的内存溢出的图形化监控工具,如 JconsoleJvisualvm。或者我们也可以通过命令行的形式进行检测。

Jstat -gcutil pid 1000 100
Jmap -histo pid|head -20
Jmao -heap pid

// FullGC 频率:建议单次FullGC时间<200ms,如果说FullGC超过200ms,是有一定的优化空间的。
注意这里指的是FullGC,不是YoungGC

下面我们可以看下方这张图,这张图主要是监控CPU和垃圾回收活动的一张关系图。我们可以看到正常情况下,我的cpu是非常平稳的,但是当程序中出现了一次GC(下方图中的蓝色区域),CPU会高。那么我们可以由此知道,当程序中出现GC的情况下,CPU也会发生一定的波动。 FullGC的话,cpu波动还会更大。

因此如果我们程序再某一个时间段的波动特别大的情况下,可能是因为它正在做GC。同理当我们发现响应时间、TPS的波动特别大的情况下,也有可能是因为GC,因此我们要做性能监控和分析。
在这里插入图片描述

可以看到程序再做GC的时候,这张TPS折线图,TPS也是非常不稳定的&#x

### 使用 AutoGPTQ 库量化 Transformer 模型 为了使用 `AutoGPTQ` 对 Transformer 模型进行量化,可以遵循如下方法: 安装所需的依赖包是必要的操作。通过 pip 安装 `auto-gptq` 可以获取最新版本的库。 ```bash pip install auto-gptq ``` 加载预训练模型并应用 GPTQ (General-Purpose Tensor Quantization) 技术来减少模型大小和加速推理过程是一个常见的流程。下面展示了如何利用 `AutoGPTQForCausalLM` 类来进行这一工作[^1]。 ```python from transformers import AutoModelForCausalLM, AutoTokenizer from auto_gptq import AutoGPTQForCausalLM model_name_or_path = "facebook/opt-350m" quantized_model_dir = "./quantized_model" tokenizer = AutoTokenizer.from_pretrained(model_name_or_path) model = AutoModelForCausalLM.from_pretrained(model_name_or_path) # 加载已经量化的模型或者创建一个新的量化器对象用于量化未压缩过的模型 gptq_model = AutoGPTQForCausalLM.from_pretrained(quantized_model_dir, model=model, tokenizer=tokenizer) ``` 对于那些希望进一步优化其部署环境中的模型性能的人来说,`AutoGPTQ` 提供了多种配置选项来自定义量化参数,比如位宽(bit-width),这有助于平衡精度损失与运行效率之间的关系。 #### 注意事项 当处理特定硬件平台上的部署时,建议查阅官方文档以获得最佳实践指导和支持信息。此外,在实际应用场景之前应该充分测试经过量化的模型以确保满足预期的质量标准。
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

打赏作者

七月的小尾巴

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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