大白话-适配器模式

介绍

适配器模式 是 作为两个不兼容的接口之间的桥梁 ,它结合了两个接口的功能。

使用场景列举

1、笔记本电脑 不支持 直接插入内存卡,需要使用读卡器,读卡器就是 笔记本和内存卡之前的适配器(读卡器实现了笔记本的接口,也依赖了内存卡的读写接口)

示例代码

public class AdapterPatternDemo2{
	
	public static void main(String[] args) {
		
		mp3播放器 mp3 = new mp3播放器();
		mp3.play("mp3","我爱你,祖国");
		mp3.play("mp4","我要飞的更高");
		mp3.play("mp5","猪也要起飞");
	}
	
	public interface MP3播放接口 {
		void play(String type,String fileName);
		
	}
	
	public static class mp3播放器 implements MP3播放接口 {
		
		MP4AndMP5适配器 适配器 = new MP4AndMP5适配器();
		
		@Override
		public void play(String type,String fileName){
			if("mp3".equals(type)){
				System.out.println("正在通过内置播放器播放MP3文件:" + fileName);
			}else if("mp4".equals(type) || "mp5".equals(type)){
				适配器.play(type,fileName);
			}
			
		}
	}
	
	/**
	 *
	 */
	public static class MP4AndMP5适配器 implements MP3播放接口 {
		
		高级播放器接口 gao;
		
		@Override
		public void play(String type,String fileName){
			if("mp4".equals(type)){
				gao = new MP4播放器();
				gao.playMp4(fileName);
			}else if("mp5".equals(type)){
				gao = new MP5播放器();
				gao.playMP5(fileName);
			}
		}
	}
	
	
	public interface 高级播放器接口 {
		void playMp4(String fileNmae);
		void playMP5(String fileName);
	}
	
	public static class MP4播放器 implements 高级播放器接口 {
		
		@Override
		public void playMp4(String fileNmae){
			System.out.println("正在使用高级播放器播放MP4文件:" + fileNmae);
		}
		
		@Override
		public void playMP5(String fileName){}
	}
	
	public static class MP5播放器 implements 高级播放器接口 {
		
		@Override
		public void playMp4(String fileNmae){}
		
		@Override
		public void playMP5(String fileName){
			System.out.println("正在使用高级播放器播放MP5文件:" + fileName);
		}
	}
	
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
卷积神经网络(CNN)是一种常用于图像处理和模式识别的深度学习模型。它的设计灵感来自于生物学中视觉皮层的神经元结构。为了用通俗的语言解释CNN,我们可以用以下方式来理解它: 假设你要识别一张猫的图片。首先,你的大脑会将这张图片的像素点转化成一系列数字,并且记录下它们的位置和颜色。然后,大脑会将这些数字输入到“卷积层”中。 在卷积层中,会有很多个“过滤”。这些过滤可以视为一双眼睛,它们通过抓取图片的不同特征来帮助你识别物体。每个过滤都在图片上滑动并计算一个“特征图”,这个特征图描述了所检测到的特定特征。例如,一个过滤可以检测到猫的边缘,另一个可以检测到猫的颜色等等。当所有过滤完成计算后,就会得到一些不同的特征图。 在“池化层”中,每个特征图都会被压缩,去除一些不重要的信息。这样可以减少需要计算的数据量,并且使得特征更加鲁棒和不变形。 最后,在全连接层中,所有的特征图都被连接起来,形成一个巨大的向量。接下来,这个向量会通过一些神经元节点,最终输出识别结果,也就是“这是一张猫的图片”。 CNN的一个重要特点是参数共享,这意味着每个过滤会在整个图片上进行计算,而不仅仅是某个局部区域。这样可以减少需要计算的参数量,提高训练速度和模型的泛化能力。 总结一下,CNN通过卷积层来提取图像的特征,并通过池化层降低特征的维度。最后,通过全连接层将所有特征连接起来并输出结果。这种结构使得CNN非常适合于图像分类和识别任务。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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