【JavaSE】简单理解JVM

【JavaSE】简单理解JVM

目录

一、JVM内存区域划分

JVM:java虚拟机,是仿照真实的操作系统进行设计的。真实操作系统中,对于进程的地址空间是进行了区域划分的。JVM也就仿照此,也进行了区域划分的设计。

具体划分(四个核心区域):

  1. 程序计数器:一个很小的区域,只用来记录当前指令执行到哪个地址。
  2. 元数据区:保存当前类被加载好的数据(类对象 .class),Java8之前叫方法区。
  3. 栈:保存方法的调用关系。
  4. 堆:保存 new 的对象。这句代码:Test t = new Test() 代码中new Test()一定在堆中,t 是局部变量就在栈;t 是成员变量就在堆; t 是一个静态成员变量就在元数据区。

二、类加载机制

2.1 类加载的步骤

类加载的步骤:

  1. 加载:找到 .class 文件 ,根据类的全限定名(包名+类名),打开文件,读取文件内容读到内存中;
  2. 连接:
    2.1. 验证:解析,校验 .class文件的内容是否合法,并把合法内容转成结构化的数据
    2.2. 准备:给类对象申请内存空间(此处相当于全0的空间);
    2.3. 解析:针对字符串常量,进行初始化;(将 .class文件解析出的字符串常量,放到元数据区,常量池中);
  3. 初始化:将类对象进行初始化。

2.2 双亲委派模型

双亲委派模型:描述类加载中,根据全限定类名,找到.class 文件的过程。

类加载器:JVM中专门的模块,负责类加载。JVM默认提供三种类加载器(存在父子关系,1是爷,2是爸,3室儿):

  1. BootstrapClassLoader:找Java标准库的目录
  2. ExtensionClassLoader:找Java扩展库的目录
  3. ApplicationClassLoader:第三方库和当前项目的目录

过程:

  • 进行类加载的时候,通过全限定类名找.class文件时,先从ApplicationClassLoader作为入口,然后把加载类的任务交给父亲 ExtensionClassLoader,他又先给他的父亲 BootstrapClassLoader,然后 BootstrapClassLoader找Java标准库范围,找到了就加载,没找到就抛回给儿子 ExtensionClassLoader,同理进行。最后 ApplicationClassLoader都没找到,就抛出异常。

三、垃圾回收机制 (GC)

Java中释放内存(主要是针对堆上的对象)的手段。
在c语言中手动申请的内存需要手动释放,而Java引入GC会自动识别,某个内存后续是否还会使用,自动释放。

工作过程:

  1. 找到垃圾
  2. 释放垃圾

找到垃圾:
有两个方案,引用计数和可达性分析,Java采取的是可达性分析。

  1. 引用计数:给每一个对象在new的时候,搭配上一个小的内存空间,保存一个整数,表示指向这个对象的引用个数。
    1.1. 每次进行引用赋值的时候都会触发引用计数的修改,当计数为0的时候,这个对象就是垃圾了。
    1.2. 缺陷:内存消耗更多,可能出现循环引用(两个对象互相引用,引用变空,但是计数不会变为0)的问题。
  2. 可达性分析:用时间换空间,是一个周期性的过程,每隔一段时间,触发一次。
    2.1. 以代码中的一些特定对象(栈上的局部变量(引用类型的)、常量池引用指向的对象、静态成员(引用类型)),作为遍历的起点。
    2.2. 以这些特殊对象为起点,尽可能去遍历,判断某个对象是否能访问到。
    2.3. 每一次访问到一个对象,就把这个对象标记成可达,当完成所有的对象,未被标记的就是垃圾。

释放垃圾:

  • 标记 - 清除:把垃圾对象的内存直接进行释放。
    • 缺点:会产生内存碎片问题(回收后导致内存空间不连续)
  • 复制算法:一片内存空间,一分为二,一次只使用其中一半。当垃圾回收的时候,先将不是垃圾的内存复制到另一半没使用的内存中,再将这一半整体释放掉。
    • 缺点:内存空间利用率低,一旦不是垃圾的对象很大,复制的成本就很高。
  • 标记 - 整理:类似于顺序表删除数据操作,将不是垃圾的内存向前移动,最后回收后面一片的内存。
    • 缺点:内存搬运数据的成本很高。
  • 分代回收:把上面的三种方式结合起来,主要是2和3。Java给的策略。
    • ”代” - 》指代对象经历的GC轮次(先将内存分为 新生代区 和 老年代区),初始为0,经一轮GC后就加1;如果一个对象的轮次已经很大了,那么大概率还会存在很久。对轮次大的对象,GC的频率就会降低。
    • 进一步会将新生代分为 伊甸区 和两个幸存区,比例大概8:1:1。
    • 新创建的对象放入伊甸区,大部分伊甸区的对象熬不过第一轮GC,熬过去了就通过 复制算法 进入一个幸存区;
    • 一个幸存区的对象又熬过一轮GC就会通过 复制算法 进入另一个幸存区,反复跳跃
    • 如果一个对象在幸存区经历了多轮GC,就会晋升到老年代区。
    • 老年代区就使用的标记 - 整理 回收机制。
    • 如果一个对象特别大,直接进入老年代区。

Read more

在 Mac Mini M4 上本地跑大模型(Ollama + Llama + ComfyUI + Stable Diffusion | Flux)

在 Mac Mini M4 上本地跑大模型(Ollama + Llama + ComfyUI + Stable Diffusion | Flux)

Mac Mini M4 配备了苹果自家研发的 M1/M2/M4 芯片,具有强大的处理能力,能够支持本地跑一些大模型,尤其是在使用如 Ollama、Llama、ComfyUI 和 Stable Diffusion 这类 AI 相关工具时,性能表现非常好。本教程将指导你如何在 Mac Mini M4 上本地部署并运行这些大模型,涵盖从环境搭建到使用的全流程。 一、准备工作 1. 确保系统更新 确保你的 macOS 版本已更新到最新的版本(例如 macOS 13.0 以上),这将确保兼容性和性能。 安装 Homebrew(macOS 包管理工具) Homebrew 是 macOS 上非常流行的包管理工具,它帮助你方便地安装各种软件。在终端中输入以下命令来安装

By Ne0inhk
[源力觉醒 创作者计划]_文心一言 4.5开源深度解析:性能狂飙 + 中文专精

[源力觉醒 创作者计划]_文心一言 4.5开源深度解析:性能狂飙 + 中文专精

文章目录 * [源力觉醒 创作者计划]_文心一言 4.5开源深度解析:性能狂飙 + 中文专精 * 一. 部署实战:单卡环境的极速落地 * 1.1 🖥️ 环境配置の手把手教程 📝 * 部署准备:硬件与镜像 * 依赖安装:一行代码搞定 * 1.2 🚀 模型启动の参数与验证 ✅. * 二. 多场景能力验证:从工业到学术 * 2.1 🏥 医疗影像诊断:从模糊影像到病灶定位 * 2.2 🚦 交通流优化:动态拥堵预测与策略设计 * 2.3 🔍 考古文本破译:甲骨文符号的跨学科解读 * 三. 性能优化与问题解决 * 3.1 🚀 性能优化策略:让模型跑得更快 * 3.2 🛠️ 常见错误解决方案 * 四. 与同类模型对比 * 🍬 核心优势对比🍭 * 🍬 对比结论🍭 * 五、

By Ne0inhk
LLaMA-Factory微调多模态大模型Qwen3-VL

LLaMA-Factory微调多模态大模型Qwen3-VL

LLaMA-Factory微调多模态大模型Qwen3-VL 目录 LLaMA-Factory微调多模态大模型Qwen3-VL 1. 显卡驱动 2. 模型微调 3. 模型导出 4. 模型部署:vLLM服务 5. 测试效果 1. 显卡驱动 * 显卡型号:NVIDIA GeForce RTX 3090 24G * 显卡驱动:NVIDIA-SMI 535.171.04             * CUDA: 12.2 ,Driver Version: 535.171.04   微调Qwen3-VL-2B模型,至少需要12G显存 2. 模型微调 项目采用大型语言模型工厂(LLaMA-Factory)对大模型微调,目前可支持Qwen3 / Qwen2.5-VL / Gemma 3 / GLM-4.1V / InternLM

By Ne0inhk