設計模式之Visitor

Visitor定義
作用於某個物件群中各個物件的操作。 它可以使你在不改變這些物件本身的情況下,定義作用於這些物件的新操作。

Java,Visitor模式實際上是分離了collection結構中的元素和對這些元素進行操作的行爲。

爲何使用Visitor?
Java
Collection(包括VectorHashtable)是我們最經常使用的技術,可是Collection好象是個黑色大染缸,本來有各種鮮明類型特徵的物件一旦放入後,再取出時,這些類型就消失了。那麽我們勢必要用If來判斷,:


Iterator iterator = collection.iterator()
while (iterator.hasNext()) {
   Object o = iterator.next();
  
if (o instanceof Collection)
     
messyPrintCollection((Collection)o);
  
else if (o instanceof String)
     
System.out.println("'"+o.toString()+"'");
  
else if (o instanceof Float)
     
System.out.println(o.toString()+"f");
  
else
     
System.out.println(o.toString());
}
在上例中,我們使用了 instanceof來判斷 o的類型。

很顯然,這樣做的缺點代碼If else if 很繁瑣。我們就可以使用Visitor模式解決它。

如何使用Visitor?
針對上例,我們設計一個介面visitor訪問者:

public interface Visitor
{
  
public void visitCollection(Collection collection);
  
public void visitString(String string);
  
public void visitFloat(Float float);
}

在這個介面中,將我們認爲Collection有可能的類別的類型放入其中。

有了訪問者,我們需要被訪問者,被訪問者就是我們Collection的每個元素Element,我們要爲這些Element定義一個可以接受訪問的介面(訪問和被訪問是互動的,只有訪問者,被訪問者如果表示不歡迎,訪問者就不能訪問),

我們定義這個介面叫Visitable,用來定義一個Accept操作,也就是說讓Collection每個元素具備可訪問性。

public interface Visitable
{
  
public void accept(Visitor visitor);
}

好了,有了兩個介面,我們就要定義他們的具體實現(Concrete class):

public class ConcreteElement implements Visitable
{
  
private String value;
  
public ConcreteElement(String string) {
     
value = string;
  
}
   //定義accept的具體內容 這裏是很簡單的一句呼叫

   public void accept(Visitor visitor) {
     
visitor.visitString(this);
  
}
}

再看看訪問者的Concrete實現:

public class ConcreteVisitor implements Visitor
{
   //在本方法中,我們實現了對Collection的元素的成功訪問

   public void visitCollection(Collection collection) {
     
Iterator iterator = collection.iterator()
     
while (iterator.hasNext()) {
        
Object o = iterator.next();
        
if (o instanceof Visitable)
           
((Visitable)o).accept(this);
      }

   public void visitString(String string) {
     
System.out.println("'"+string+"'");
   }

   public void visitFloat(Float float) {
     
System.out.println(float.toString()+"f");
  
}
}

?

在上面的visitCollection我們實現了對Collection每個元素訪問,只使用了一個判斷語句,只要判斷其是否可以訪問。

至此,我們完成了Visitor模式基本架構。

使用Visitor模式的前提
物件群結構中(Collection) 中的物件類型很少改變,也就是說訪問者的身份類型很少改變,如上面中Visitor中的類型很少改變,如果需要增加新的操作,比如上例中我們在ConcreteElement具體實現外,還需要新的ConcreteElement2 ConcreteElement3

可見使用Visitor模式是有前提的,在兩個介面VisitorVisitable,確保Visitor很少變化,變化的是Visitable,這樣使用Visitor最方便。

如果Visitor也經常變化, 也就是說,物件群中的物件類型經常改變,一般建議是,不如在這些物件類別中逐個定義操作。但是JavaReflect技術解決了這個問題。

Reflect技術是在運行期間動態獲取物件類型和方法的一種技術,

 
【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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
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