《代码大全》读书笔记及随想(day07)


5.3 设计构造块:启发式方法


由于软件设计是非确定性的,因此熟练的运用一组有效的启发式的方法便成了合理的软件设计的核心工作。


方法一:找出现实世界中的对象


Step1:辨别对象及其属性
Step2:确定可以对各个对象进行的操作
Step3:确定各个对象能对其他对象进行的操作(包含和继承)
Step4:确定对象的哪些部分对其他对象可见

Step5:定义每个对象的接口


方法二:形成一致的抽象(关注核心概念同时忽略一些细节)


基类可以是使你集中精力关注派生类所具有的共同特性

优秀的程序员会在子程序接口的层次上、在类接口的层次上以及包接口的层次上进行抽象。


方法三:封装实现细节


方法四:当继承能简化的设计时就继承


方法五:信息隐藏


类的接口应该尽可能少的暴露其内部的工作机制

两种秘密:隐藏复杂度,隐藏变化源


信息隐藏的障碍:

1.信息过度分散

2.循环依赖

3.把类内数据误认为是全局数据

4.可以察觉的性能损耗



方法六:找出容易改变的区域


措施1:找出看起来容易变化的项目

措施2:把容易变化的项目分离出来

措施3:把看起来容易变化的项目隔离开来


容易发生变化的区域:业务规则,对硬件的依赖性、输入输出、非标准的语言特性、困难的设计区域和构建区域、状态变量、数据量的限制


方法七:保持松散耦合


耦合标准:

1.规模 模块之间的连接数

2.可见性 模块之间的显著程度

3.灵活性 模块之间的连接是否容易改动


耦合的种类:

1.简单数据参数耦合

2.简单对象耦合

3.对象参数耦合

4.语义上的耦合(最难缠)


方法八:查阅常用的设计模式


设计模式的益处:

1.设计模式通过提供现成的抽象来减少复杂度

2.设计模式通过把常见解决方案的细节予以制度化来减少出错

3.设计模式通过提供多种设计方案而带来启发性的价值

4.设计模式通过把设计对话提升到一个更高的层次上来简化交流


其他的启发式方法


1.高内聚性

2.构造分层结构
3.严格描述类契约
4.分配职责
5.为测试而设计
6.避免失误
7.有意识地选择绑定时间
8.创建中央控制点
9.考虑使用蛮力突破
10.画一个图
11.保持设
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 1
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