JavaScript设计模式

一、观察者设计模式

定义:观察者和被观察者之间存在“观察”的逻辑关联,当被观察者发生改变的时候,观察者就会观察到这样的变化,并且做出相应的响应

观察者:发布消息通知订阅者内容有更新 、撤销订阅者

订阅者:订阅观察者当收到观察者发布的消息后,用相应的方法进行更新。


实现:关键是要建立一个二元数组topics[]里面放观察者对象(用于遍历数组发布消息),然后得到这个对象后再添加这个对象的订阅者(用于为数组添加对象)。

例如:我有一个南方日报的  观察者对象,topics["南方日报"],那么南方日报的订阅者有我,那么topics["南方日报"].push({“我”,function(){我知道有更新了}})




二、动态代理设计模式

首先得理解反射机制

1、泛型的反射

例如class A extends B<T>{},获取T

方法:getGenericSuperClass()得到父类的类型,然后用ParameterizedType判断此类是否带泛型,然后用ParameterizedType.getActualTypeArguments()来获取当前类型的泛型数组。

2、动态代理


未续待完......



---------------------------------------------------------------------------------------------------------

SpringMvc框架原理

1、HTTP请求--->DispatcheServelet(servlet.xml)--->HandlerMapping--->Controller--->Service--->ModelAndView--->DispatcheServlet--->(JSP,JSTL,HTML,PDF)

2、DispatcheServlet是SpringMvc的核心,本质是HttpServlet,通过在web.xml配置servletMapping来处理request请求,当DistpatcheServlet接收到request时,调用servlet-*.xml来寻找相应的HandlerMapping,然后通过HandlerMapping找到Controller,并找到对应的方法调用Service实现业务逻辑,返回ModelAndView

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