Java工厂方法---Factory Method




 工厂方法:定义一个用于创建对象的接口,让子类决定实例化哪一个类,工厂方法使一个类的实例化延迟到其子类

工厂方法优点:

         1.支持OCP原则,开闭原则,把创建产品的细节隐藏起来,对上层类的调用时透明的

          2.工厂方法可以带来一个灵活性,当产品发生改变的时候,它的工厂不需要修改,只需要添加就行了

如上图所示:如果需要添加海信电视的时候,只需要添加一个海信工厂和一个海信电视类     

     而,如果使用简单工厂的话,需要修改电视工厂,违反了开闭原则:可以添加不可以修改,因为修改就要停止程序,并且需要再次调试,

而添加不需要,并且不影响其他的类,修改了工厂类,就会影响其他的

工厂方法的缺点:

           1.只能创建单一系列的产品,如果添加一个冰箱就不行了

 

  1. //电视接口  
  2. public interface TV {  
  3.     //打开  
  4.     public void turnOn();  
  5.     public void turnOff();  
  6. }  
//电视接口
public interface TV {
	//打开
	public void turnOn();
	public void turnOff();
}
  1. //长虹电视  
  2. public class ChangHongTV implements TV   
  3.     public void turnOn() {  
  4.         System.out.println("ChangHong.turnOn()");  
  5.   
  6.     }  
  7.     public void turnOff() {  
  8.         System.out.println("ChangHong.turnOff()");  
  9.     }  
  10.   
  11. }  
//长虹电视
public class ChangHongTV implements TV 
	public void turnOn() {
		System.out.println("ChangHong.turnOn()");

	}
	public void turnOff() {
		System.out.println("ChangHong.turnOff()");
	}

}
  1. //海尔电视  
  2. public class HaiErTV implements TV {  
  3.     public void turnOn() {  
  4.         System.out.println("HaiErTV.turnOn()");  
  5.     }  
  6.     public void turnOff() {  
  7.         System.out.println("HaiErTV.turnOff()");  
  8.     }  
  9. }  
//海尔电视
public class HaiErTV implements TV {
	public void turnOn() {
		System.out.println("HaiErTV.turnOn()");
	}
	public void turnOff() {
		System.out.println("HaiErTV.turnOff()");
	}
}
  1. //工厂接口  
  2. public interface TVFactory {  
  3.     public TV createTV();  
  4. }  
//工厂接口
public interface TVFactory {
	public TV createTV();
}
  1. //长虹工厂  
  2. public class TVFactory_ChangHong implements TVFactory {  
  3.     public TV createTV(){  
  4.         //构造长虹电视  
  5.         return new ChangHongTV();  
  6.     }  
  7. }  
//长虹工厂
public class TVFactory_ChangHong implements TVFactory {
	public TV createTV(){
		//构造长虹电视
		return new ChangHongTV();
	}
}
  1. //海尔工厂  
  2. public class TVFactory_HaiEr implements TVFactory {  
  3.     public TV createTV() {  
  4.         // TODO Auto-generated method stub  
  5.         //构造海尔电视  
  6.         return new HaiErTV();  
  7.     }  
  8. }  
//海尔工厂
public class TVFactory_HaiEr implements TVFactory {
	public TV createTV() {
		// TODO Auto-generated method stub
		//构造海尔电视
		return new HaiErTV();
	}
}
  1. //客户端  
  2. public class Client {  
  3.     //依赖于抽象而不是实现  
  4.     public static void main(String[] args) {  
  5.         //现在客户端只认识一个抽象的TVFactory,其他的可以使用反射,动态的  
  6.         //TVFactory factory = new TVFactory_HaiEr();  
  7.           
  8.         //TVFactory factory = new TVFactory_ChangHong();  
  9.           
  10.         //生产产品的时候,只需要修改这句话,下面的代码都不需要改变,因为依赖的是抽象  
  11.         TVFactory factory = new TVFactory_HaiXin();  
  12.         TV tv = factory.createTV();  
  13.         tv.turnOn();  
  14.     }  
  15. }  
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