Java设计模式--单例模式

前言

单例模式主要是保证了一个对象在整个系统之内,只实例化了一次。一般是业务需要实例一次,或者创建资源消耗太多,只实例一次。
特点:
1.单例保证只实例化一次,并给系统提供。
2.构造函数是私有的,不能外部进行实例化。

常用实现

单例模式一般实现很多,但是有些是安全的,有些是非安全的,还有实现时间的不同。先介绍常用的安全的实现方式。

饿汉式

public class Singleton {

    private static final Singleton instance = new Singleton();

    private Singleton() {
    }

    public static Singleton getInstance() {
        return instance;
    }
}

代码如上,这是安全的实现方式。通过采取类加载的机制,保证单例的线程安全。类刚被创建,就进行初始化操作了,属于饿汉方式。

懒汉式

public class Singleton {

    private static Singleton instance = null;

    private Singleton() {}

    public static synchronized Singleton getInstance() {
        if (instance == null) {
            instance = new Singleton();
        }
        return instance;
    }
}

代码如上,这是安全的实现方式。不过instance的实现靠后了,进行了是否为null的判断,只有不为null的时候,才进行初始化操作,由synchronized保证线程安全。由于是需要时,才进行初始化操作,所以属于懒汉方式。

优化–基于类的初始化实现

对于单例模式,还可以采取java类的初始化方式实现。在JVM完成类的初始化阶段内,它是线程安全的。所说的类初始化阶段指,JVM在将Class加载之后,交付给线程使用之前,这个阶段内是线程安全的。当类被初始化时,JVM会去获取一个锁,保证类的初始化只有一个线程存在,在类初始化完成之后,在进行类的使用。
前面的饿汉式单例就是基于此,保证了类初始化的时候是线程安全的,还可以根据此机制,采取内部类实现。

public class SingletonFactory {

    private static class SingletonInner {
        public static Singleton instance = new Singleton();
    }

    public static Singleton getInstance() {
        return SingletonInner.instance;
    }
}

相较于懒汉式方式,这个更好一些。它不是直接进行instance的new操作,而是等到getInstance()触发式,才进行真正的new操作,初始化有一定的延迟性。

优化–双重检测

对于懒汉式来说,类的加载实现了线程安全,但是由于采取了synchronized关键字,导致性能下降,此时,我们可以采取安全的双重检测进行单例的实现。

public class Singleton {

    private volatile static Singleton instance;

    public static Singleton getInstance() {
        if (instance == null) {
            synchronized (Singleton.class) {
                if (instance == null)
                    instance = new Singleton();
            }
        }
        return instance;
    }
}

如上所示,首先我们进行了volatile限定,其次再获取时,进行的双重判断,保证了类的线程安全的初始化操作。
对于类为什么需要volatile限定,首先我们需要了解下类的初始化和重排序。对于重排序,java的代码执行,并不是完全按照代码书写的方式展现的,它的一些代码会进行颠倒顺序(保证处理器的性能),导致真正的执行和我们预想的不一致。但是这个重排序会限制,它会保证单线程内,无论如何排序,结果是一定的,不会被干扰,所有我们看到的单线程代码执行是顺序执行的,是符合预期的。(详细参考指令重排序)
其次,instance = new Singleton()这步操作,不是单一的操作。他可以进行分解,即1.给Singleton分配内存空间;2.初始化Singleton对象;3.将instance指向刚分配的内存地址。所以,可以看到它的操作是3步。而这个3步的顺序,是可以打乱的。即可能出现,1->3->2情况,此情况下,会导致instance刚分配到内存地址时,其他线程已经开始使用了,导致使用的对象是空的,还没有初始化过。
由于上述的执行重排序,所以类要加上volatile关键字,它能防止指令重排序,以及多线程下类初始化的访问问题。

非单例错误

仅仅判空操作

public class Singleton {

    private static Singleton instance = null;

    private Singleton() {}

    public static Singleton getInstance() {
        if (instance == null) {
            instance = new Singleton();
        }
        return instance;
    }
}

同饿汉式基本类似,少了synchronized关键字,容易导致多线程下多个单例。
说明:判断instance==null时,多个线程同时判断为null了,初始化了多个。

双重检测无volatile限定

public class Singleton {

    private static Singleton instance;

    public static Singleton getInstance() {
        if (instance == null) {
            synchronized (Singleton.class) {
                if (instance == null)
                    instance = new Singleton();
            }
        }
        return instance;
    }
}

同双重检测方式,但是类没有volatile限定,容易导致new Singleton()的1->3->2情况。
说明:线程1进入synchronized代码内,判断instance不为null了,开始进行new Singleton()操作,此操作分为3步。此时,先给instance分配了地址,然后重排序了,直接instance指向了地址;线程2进行getInstance()方式,第一步判断非空时,发现分配了地址,直接使用,导致问题。

枚举安全实现

public enum Singleton {

    instance;

    public void singletonOperation() {
    }

}

最后提供一种枚举的方式,由类加载机制保证了线程安全。


参考:
1.http://jiangzhengjun.iteye.com/blog/652440
2.http://www.cnblogs.com/java-my-life/archive/2012/03/31/2425631.html#3537918

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。
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。
【5层】2800平米框架商务写字楼毕业设计(含计算书,建筑、结构图) 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。
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