Question

我正在写一些使用ByteBuffer的东西。 docs of the API中说

没有办法显式释放缓冲区（没有特定于JVM的缓冲区）反射）。 缓冲区对象要接受GC ，通常需要两个缓冲区对象变为后，GC循环释放堆外内存无法访问。

但是我在SO post's accepted answer中阅读

BigMemory通过直接使用JVM进程的内存地址空间与其他本机Java不同，不受GC 约束的字节缓冲区对象。

现在我该怎么办，我应该释放创建的缓冲区吗？还是我误会了文档或答案中的某些内容？

Answer 1

这取决于您如何创建缓冲区，有许多可能的用例。常规ByteBuffer.allocate()将在堆上创建，并由GC收集。其他选项，例如本机内存可能不会。

Terracotta BigMemory是一种本机堆外内存，不受JVM GC的控制。如果您在这种类型的内存中分配缓冲区，则必须自己清除它。

清除缓冲区是个好主意，即使缓冲区已分配在堆内存中也是如此。 GC将负责收集未使用的缓冲区，但这将需要一些时间。

Answer 2

LWJGL中BufferUtils的文档也说：没有办法明确免费 ByteBuffer。

使用标准机制分配的ByteBuffer对象（即，通过直接或间接调用ByteBuffer#allocateDirect）将受到GC的约束，并将最终清除。

您链接的答案似乎特别是指 BigMemory 库。使用JNI，您可以创建一个（直接）ByteBffer，该ByteBuffer由GC处理，并且由您决定实际释放基础数据的位置。

但是，一个简短的建议：在处理LWJGL和其他依赖（直接）ByteBuffer对象的库以将数据传输到本机端时，您应该考虑这些缓冲区的使用模式。特别是对于OpenGL绑定库，您经常需要float，该空间只能容纳16个class Renderer { void renderMethodThatIsCalledThousandsOfTimesPerSecond() { ByteBuffer bb = ByteBuffer.allocateDirect(16 * 4); fill(bb); passToOpenGL(bb); } }值（例如，包含要发送到OpenGL的矩阵）。在许多情况下，使用这些缓冲区进行数据传输的方法将被频繁地称为。

在这种情况下，反复分配这些小的，短暂的缓冲区通常不是一个好主意：

class Renderer {

    private final ByteBuffer MATRIX_BUFFER_4x4 = ByteBuffer.allocateDirect(16 * 4);

    void renderMethodThatIsCalledThousandsOfTimesPerSecond() {
        fill(MATRIX_BUFFER_4x4);
        passToOpenGL(MATRIX_BUFFER_4x4);
    }
}

创建这些缓冲区和GC会大大降低性能-并以GC暂停的形式令人不安，这可能会导致游戏延迟。

在这种情况下，提取分配并重新使用缓冲区可能是有益的：

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPRegressor
import numpy as np
from sklearn.model_selection import cross_validate

# Generate some random data
X = np.random.rand(100,5)
Y = np.dot(X, np.random.rand(5))+np.random.rand(100)

# Split into train and test
X_train, X_test, y_train, y_test = train_test_split(X, Y)

# Use 4 fold cross validation on train data
cv_results = cross_validate(MLPRegressor(hidden_layer_sizes=(10,10)), X_train, y_train, cv=4, 
                            scoring=('neg_mean_squared_error'), return_estimator=True)
print (cv_results['test_score'])

# Make predictions on test data
y = np.zeros(len(y_test))
for i, model in enumerate(cv_results['estimator']):
    y_hat = model.predict(X_test)
    print ("Model {0} MSE Error: {1}".format(i, 
        mean_squared_error(y_test, y_hat)))
    y += y_hat

print ("Average Test MSE Error: {0}".format(
        mean_squared_error(y_test, y/len(models))))

我们是否必须手动释放分配的ByteBuffer？

2 个答案: