java中final用在参数中表示啥？

Posted 2023-03-19

public static HelloService getHelloServiceProxy(final HelloService helloService)其中的final用在参数中表示什么？

主要分两种情况：第一，用final修饰基本数据类型；第二，用final修饰引用类型。
第一种情况，修饰基本类型（非引用类型）。这时参数的值在方法体内是不能被修改的，即不能被重新赋值。否则编译就通不过。例如：
public static void valid(final int ag)

ag=9;
ag=10;

错误提示：
第二种情况，修饰引用类型。这时参数变量所引用的对象是不能被改变的。作为引用的拷贝，参数在方法体里面不能再引用新的对象。否则编译通不过。例如：
public static void valid(final String[] ag)

ag=new String[9];

这个的提示和上面是一样的。：“ The final local variable param2 cannot be assigned. It must be blank and not using a compound assignment.“
但是对于引用，如果我是这样，则不会报任何错，完全能编译通过。
public static void valid(final String[] ag)

ag[0]="5";
System.out.println(ag);

所以，final这个关键字，想用的话就用基本类型，还是很有作用的。引用类型，还是算了吧。 参考技术A final 修饰变量指变量的引用不可变，你给出的例子指的是helloService这个引用不可重新赋值。。本回答被提问者和网友采纳 参考技术B final修饰的如果是常量表示是不可变的
如果是变量，表示只能赋一次值，赋值后就不能在改变 参考技术C final 表示这个变量在初始化后不可更改及重新赋值 参考技术D final变量不可修改
final方法不可覆盖
final类不可继承

系统面板中的图表在 Wandb (PyTorch) 中表示啥

【中文标题】系统面板中的图表在 Wandb (PyTorch) 中表示啥

【英文标题】：What do the charts in the System Panels signify in Wandb (PyTorch)系统面板中的图表在 Wandb (PyTorch) 中表示什么

【发布时间】：2021-05-07 09:38:51

【问题描述】：

我最近开始在我的 PyTorch 脚本中使用 wandb 模块，以确保 GPU 高效运行。但是，我不确定图表的具体含义。

我一直在关注这个链接中的教程，https://lambdalabs.com/blog/weights-and-bias-gpu-cpu-utilization/，被这个情节弄糊涂了：

我不确定 GPU % 和 GPU 内存访问 % 图表。博客中的描述如下：

GPU %：这张图可能是最重要的一张。它跟踪过去采样周期中一个或多个内核在 GPU 上执行的时间百分比。基本上，您希望这接近 100%，这意味着 GPU 一直忙于处理数据。上图有两条曲线。这是因为有两个 GPU，并且只有其中一个（蓝色）用于实验。 Blue GPU 大约 90% 忙，这意味着它还不错，但仍有一些改进的空间。这种次优利用的原因是由于我们在本实验中使用的小批量 (4)。 GPU 经常从其内存中获取少量数据，并且不会使内存总线或 CUDA 内核饱和。稍后我们将看到仅通过增加批量大小来增加这个数字是可能的。

GPU 内存访问百分比：这是一个有趣的问题。它测量过去采样期间读取或写入 GPU 内存的时间百分比。我们应该将这个百分比保持在较低水平，因为您希望 GPU 将大部分时间花在计算上，而不是从其内存中获取数据。在上图中，繁忙的 GPU 有大约 85% 的正常运行时间访问内存。这是非常高的，并导致了一些性能问题。在这里降低百分比的一种方法是增加批量大小，因此数据获取变得更加高效。

我有以下问题：

上述值的总和不是 100%。看起来我们的 GPU 可以要么花时间在计算上，要么花时间在读/写内存上。这两个值之和怎么会大于100%？ 为什么增加批量大小会减少访问 GPU 内存所花费的时间？

【问题讨论】：

2.当你得到一个大批量大小（例如 batch_size=1000，dataset_length=10000）时，GPU 必须在每个 epoch 重新分配内存 10 次。当您的批量大小为 10 时，它必须访问内存 1000 次。而 1000 次的分配时间比 10 次要长。 1. 我猜一个 gpu 可以同时分配和运行内核，但我不确定，这就是为什么我不会把这个作为答案和评论发布

关于问题 1：为什么您认为 GPU 利用率 % 和 GPU 内存访问 % 应该加起来为 100%？

【参考方案1】：

如果硬件按顺序执行这两个过程，那么 GPU 利用率和 GPU 内存访问应该加起来 100% 是正确的。但是现代硬件不会做这样的操作。 GPU 将在访问内存的同时忙于计算数字。

GPU% 实际上是 GPU 利用率百分比。我们希望这是 100%。因此，它将在 100% 的时间内完成所需的计算。 GPU 内存访问百分比是 GPU 读取或写入 GPU 内存的时间量。我们希望这个数字很低。如果 GPU 内存访问百分比很高，则在 GPU 可以使用数据进行计算之前可能会有一些延迟。这并不意味着它是一个连续的过程。

W&B 允许您监控这两个指标并根据它们做出决策。最近我使用tf.data.Dataset 实现了一个数据管道。 GPU 利用率接近 0%，而内存访问也接近 0%。我正在阅读三个不同的图像文件并将它们堆叠起来。这里 CPU 是瓶颈。为了解决这个问题，我通过堆叠图像创建了一个数据集。 ETA 从每 epoch 1 小时缩短到 3 分钟。

从图中可以推断，GPU 的内存访问增加了，而 GPU 利用率接近 100%。 CPU 利用率下降，这是瓶颈。

这是 Lukas 回答此问题的 nice article。