代码重构思考

问题:

functiongetStatusText($status){

$text = '';

if($status=='0'){

$text = 'aaa';

}elseif($status=='1'){

$text = 'asdfa';

}elseif ($status==5){

$text = 'asdfasdf';

}elseif ($status=='8'){

$text = 'egwdf';

}elseif ($status==12){

$text = 'asfw';

}elseif ($status == '10'){

$text = 'rwefv';

}

if($text == 'aaa' || $text == 'asfw' ||$text == 'wreb'){

$text = 'weutiw';

}

if(!$text){

$text = 'iuiqewr';

}

return $text;

}

如果对它进行优化重构,你能写出来的尽可能漂亮的代码是什么。


LOW的思考

首先看到的是由if…elseif…语句组成的判断不同$status而得到不同的$text的一个function。输入是$status;输出是$text;

    于是想到也可以用switch。知道switch/case是松散比较,即类似(==:only比较值);而不是严格比较(===:比较值&数据类型);通过观察,把‘0’  和12归为一类。还有发现一个不可能出现的情况($text=’wreb’),就没写判断这部分的代码。

    其次,true和false的情况。1==true;0==false;补充: -1==true; 非0数字的都是true,0是false。

尝试后还发现一个奇怪的情况:

01~07==true;  08~09==false;  -01~-07==true;  -08~-09==false;

001~007==true;  008~009==false;…

Why?

用switch写:

function getStatusText($status){
    $text = '';
    switch ($status) {
           case '1':
                  $text ='asdfa';
                  break;
           case '0':
           case 12:
                  $text ='weutiw';
                  break;
           case 5:
                  $text ='asdfasdf';
                  break;
           case '8':
                  $text ='egwdf';
                  break;
           case '10':
                  $text ='rwefv';
                  break;    
           default:
                  $text ='iuiqewr';
                  break;
    }
    return $text;
}

错误

没有想到实际它要会有的输入是什么情况。错误以为入参可以是任何类型,布尔值、数值、字符串、浮点型、null…。以为传什么参数都行,进入function中怎么处理以及结果就是按照原来贴的代码去执行的。以为function内部就是正确的了。所以自己去优化代码的时候,就想着要让结果和原来的代码一样才是对的。没想到它的参数只能是数字(完全没往这方面想!!),要去排除true和false的情况,因为true==1和false==0。要保证传true不等于传1,传false不能等于传0。

看到这个代码,没有考虑布尔值,没有想到它没有把握数字的类型(数值型or字符串型)。被它牵着鼻子走了。然后只是换一种写法,并没有根据这个代码的意图去优化。而且还忽略了其他数字也是==true的。

看到的东西都是很表层的,想深入挖掘可是想不到,挖的还是表层的…

一点也没想到用要数组。


正确思考

一、原来的代码没有考虑布尔值的情况

二、不能准确把握入参一定是数值型还是字符串型的数字

三、if else的性能不如switch ,switch不如用数组


优化重构方案

functiongetStatusText($status){
if(!is_numeric($status)) return false;    //入参只能是数字
      $arr = array(
             0=>'aaa'
             1=>'asdfa',
             5=>'asdfasdf',
             8=>'egwdf',
             12=>'asfw',
             10=>'rwefv'
      );
      $text = $arr[$status-0] ?: 'iuiqew';        //数字字符串转为数字
      returnin_array($text,array('aaa','asfw','wreb'))?'weutiw' : $text;
}

 

 

is_numeric — 检测变量是否为 数字 或 数字字符串

数组来存所有情况,利用数组下标来取值。


我的总结

1.     先思考代码意图。清楚它要的输入是什么。

2.     不要被现有的代码牵着鼻子走了。以为写好的就是对的了,被固化、限制了。想不开,只看到表层,无法深入。

3.     做好限制,排除不合法的情况

4.     想想数组,学会利用数组。



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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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