设计模式(构建模式)

原创文章，转载请注明： 转载自慢慢的回味

本文链接地址: 设计模式(构建模式)

Content:
  1. 构建模式
    1. 工厂方法模式（Factory Method）
    2. 抽象工厂模式（Abstract Factory）
    3. 单例模式（Singleton）
    4. 建造者模式（Builder）
    5. 原型模式（Prototype）

继续阅读“设计模式(构建模式)”本作品采用知识共享署名 4.0 国际许可协议进行许可。

Hotspot JIT编译(C1)

原创文章，转载请注明： 转载自慢慢的回味

本文链接地址: Hotspot JIT编译(C1)

Content:
  1. 1 字节码
  2. 2 Block List生成
  3. 生成高级中间表示（HIR)
  4. 生成LIR
  5. 分配物理寄存器
  6. 生成代码

上一篇文章介绍了JVM怎么用template interpreter来完成字节码到机器码的映射，但是频繁的取指，译指，然后执行，性能会有所损耗。所以hotspot对频繁执行的方法进行编译优化能大大缩短代码执行时间。
这儿以编译器C1来说明JIT编译，过程主要包括生成BlockList，生成HIR，发射LIR，寄存器分配，生成机器码，代码安装。对应的代码位置为jdk8\hotspot\src\share\vm\c1。
继续阅读“Hotspot JIT编译(C1)”本作品采用知识共享署名 4.0 国际许可协议进行许可。

entry_point–JVM Java栈桢的创建

原创文章，转载请注明： 转载自慢慢的回味

本文链接地址: entry_point–JVM Java栈桢的创建

Content:
  1. 调用堆栈
  2. entry_point的生成：
  3. 固定桢生成：
  4. 转发表与栈顶缓存：
  5. 转发表入口设置：

继续阅读“entry_point–JVM Java栈桢的创建”本作品采用知识共享署名 4.0 国际许可协议进行许可。

call_stub–JVM Java调用的入口

原创文章，转载请注明： 转载自慢慢的回味

本文链接地址: call_stub–JVM Java调用的入口

Content:
  1. 调用堆栈：
  2. 下面通过代码注释的方式来介绍call_helper这个方法
  3. call_stub方法的创建
  4. call_stub代码生成

继续阅读“call_stub–JVM Java调用的入口”本作品采用知识共享署名 4.0 国际许可协议进行许可。

ALS-WR(协同过滤推荐算法) in ML

原创文章，转载请注明： 转载自慢慢的回味

本文链接地址: ALS-WR(协同过滤推荐算法) in ML

Content:
  1. 简介
  2. Spark ALS代码分析
    1. 测试代码
    2. 训练数据
    3. In Blocks 和Out Blocks的构造
    4. 计算factors
    5. 测试数据
简介

ALS-WR算法，简单地说就是：
（数据格式为：userId, itemId, rating, timestamp ）
1 对每个userId随机初始化N（10）个factor值，由这些值影响userId的权重。
2 对每个itemId也随机初始化N（10）个factor值。
3 固定userId，从userFactors矩阵和rating矩阵中分解出itemFactors矩阵。即[Item Factors Matrix] = [User Factors Matrix]^-1 * [Rating Matrix].
4 固定itemId，从itemFactors矩阵和rating矩阵中分解出userFactors矩阵。即[User Factors Matrix] = [Item Factors Matrix]^-1 * [Rating Matrix].
5 重复迭代第3，第4步，最后可以收敛到稳定的userFactors和itemFactors。
6 对itemId进行推断就为userFactors * itemId = rating value；对userId进行推断就为itemFactors * userId = rating value。

理论推导可见Parallel-ALS推荐算法(factorize-movielens-1M)

继续阅读“ALS-WR(协同过滤推荐算法) in ML”本作品采用知识共享署名 4.0 国际许可协议进行许可。