项目 LZJYXT 感触 ---- 瘦方法

       最近刚开始真正的接触到系统型的项目, 要帮一个学校搞一个教研系统, 主要是对一次考试中学生的成绩进行大量的分析! 涉及很多计算!

在完成类库到类库的调用时, 体会到之前在书上看到的关于瘦方法和胖方法的讨论! 在这里做一下记录:

       比如说, 写一个计算方差的函数, 我的第一反应是这样写的:

 1 /// <summary> 
2 /// 计算方差
3 /// </summary>
4 /// <param name="mark"></param>
5 /// <returns></returns>
6 public static double Variance(List<float> mark)
7 {
8 int markCount = mark.Count; //求分数个数
9
10 double markSum = 0; // 总分数
11 double markLoop = 0; // 累加数
12
13
14 for (int i = 0; i < markCount; i++)
15 {
16 markSum += mark[i];
17 }
18
19 double aver= markSum / markCount; // 平均数
20
21
22
23 for (int i = 0; i < markCount; i++)
24 {
25 markLoop += Math.Pow((mark[i] - aver), 2); //两个数相减 再平方 再累加
26 }
27
28 return markLoop / markCount;
29 }

 

      后来发现很多计算都是要先求平均数, 然后做其它处理, 于是把求平均数的方法给抽象出来:

 1 /// <summary> 
2 /// 计算算术平均数
3 /// </summary>
4 /// <param name="mark"></param>
5 /// <returns></returns>
6 public static double Average(List<float> mark)
7 {
8 CheckList(mark);
9
10 int markCount = mark.Count; //分数个数
11 double markSum = 0; //计分数
12
13 for (int i = 0; i < markCount; i++)
14 {
15 markSum += mark[i];
16 }
17
18 double markAverage = markSum / markCount;
19
20 return markAverage;
21 }
22
23
24 /// <summary>
25 /// 计算方差
26 /// </summary>
27 /// <param name="mark"></param>
28 /// <returns></returns>
29 public static double Variance(List<float> mark)
30 {
31 int markCount = mark.Count; //求分数个数
32 double markLoop = 0; //计分数
33
34 double aver = Average(mark);
35
36 for (int i = 0; i < markCount; i++)
37 {
38 markLoop += Math.Pow((mark[i] - aver), 2); //两个数相减 再平方 再累加
39 }
40
41 return markLoop / markCount;
42 }

      在实际类库调用时, 又发现, 在数据显示时, 一般是要求显示 “平均数” 这个数值的, 因此就会发生这样的类似情况:

1 Average(mark);   // 求平均数
2
3 Variance(mark); // 求方差



      这样子, 其实 mark 列表被遍历了三次, 求了两次平均数, 这不是一个很大的浪费么? 所以, 左思右想, 又对上面的方法做了改造:

 1 /// <summary> 
2 /// 计算算术平均数
3 /// </summary>
4 /// <param name="mark"></param>
5 /// <returns></returns>
6 public static double Average(List<float> mark)
7 {
8 CheckList(mark);
9
10 int markCount = mark.Count; //分数个数
11 double markSum = 0; //计分数
12
13 for (int i = 0; i < markCount; i++)
14 {
15 markSum += mark[i];
16 }
17
18 double markAverage = markSum / markCount;
19
20 return markAverage;
21 }
22
23 /// <summary>
24 /// 计算方差
25 /// </summary>
26 /// <param name="mark"></param>
27 /// <returns></returns>
28 public static double Variance(List<float> mark, double aver)
29 {
30 int markCount = mark.Count; //求分数个数
31 double markLoop = 0; //计分数
32
33 for (int i = 0; i < markCount; i++)
34 {
35 markLoop += Math.Pow((mark[i] - aver), 2); //两个数相减 再平方 再累加
36 }
37
38 return markLoop / markCount;
39 }
40
41 /// <summary>
42 /// 计算方差
43 /// </summary>
44 /// <param name="mark"></param>
45 /// <returns></returns>
46 public static double Variance(List<float> mark)
47 {
48 double aver = Average(mark); //求算数平均数
49 return Variance(mark, aver);
50
51 }



      其实 Variance(List<float> mark, double aver); 才是求方差函数正确的形式, (呃, 至少在我项目中的这种情况下是这样的.) 因为方差, 本身就是将每个数与平均数做比较得出来的结果, 求平均数不是它应该有的功能, 也不是它的职责, 所以在它的计算方法中, 平均数应该已参数的形式出现, 而不是等着它自己去求! 而 Variance(List<float> mark) 则是为了类库的调用者的方便, 写出的一个重载!

 

      以上就是我这两天在类库的设计和调用的时候对 “瘦方法” 这一词的亲身体会! 一个设计合理的方法, 它的职责和功能应该得到严格的控制, 不能把所有的功能代码都过程式的写到一个函数里面, 这样就会使函数变得臃肿, 调用的时候难免会有些多余的功能造成资源浪费!

      这其中没有什么绝对的准则界限, 要靠 Coder 依靠自己的经验, 结合实际情况去判断, 就好像上面的例子, 如果在显示方差时, 不需要显示 “平均数”, 则完全没必要去把一个计算方差函数分得那么细, 直接按第一种情况写出就够了! 所以, 具体情况还得具体分析! 同时也说明, 开始敲键盘前, 动动笔或动动鼠标为代码设计一个框架的重要性!

转载于:https://www.cnblogs.com/mend/archive/2011/10/02/2197995.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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