设计模式之观察者模式

认识观察者模式

报纸和杂志的订阅

1.报社的业务就是出版报纸

2.向某家报社订阅报纸,只要他们有新报纸出版,只要你是他们的订户,你就会一直收到新报纸

3.当你不想再看报纸的时候,只要取消订阅,他们就不会再送报纸来

4.只要报社还在运营,就会一直有人(或单位)向他们订阅报纸或取消订阅报纸

出版者+订阅者=观察者模式

其实观察者模式的原理和报纸的订阅原理是一样的,只是名称不一样,出版者改称为”主题”(Subject),订阅者改称为”观察者”(Observer)

定义观察者模式

观察者模式定义了对象之间的一种一对多的依赖关系,这样一来,当一个对象改变状态时,他的所有依赖者都会受到通知并自动更新
不理解?让我们继续看看下面这示例图!

观察者模式描述

主题和观察者定义了一对多的关系,观察者依赖于此主题,只要主题状态一有变化,观察者就会被通知,根据通知的风格,观察者可能因此新值而更新
在我们的实际应用中,实现观察者模式的方式不知一种,但是以包含Subject和Observer接口的类设计的做法最为常见,来看看下面这张图

这里写图片描述

这里我举一个学校点名的例子来实际应用下

首先创建我们所说的观察者和被观察者
创建抽象主题(被观察者)接口

public interface Observable {

  //注册观察者
  void registerObserver(Observer observer);

  //移除观察者
  void removeObserver(Observer observer);

  /**
   * 主题状态改变-->通知所有注册的观察者
   * @param message 通知的消息
   */
  void notifyObservers(String message);

}

创建观察者接口

public interface Observer {

  //更新自己
  void update(String message);

  //这里用于区分每个观察者,根据实际需求
  void setName(String name);

}

创建抽象主题接口实现类

public class Teacher implements Observable {


  //用一个集合来存储所有的观察者
  private List<Observer> mObserverList;

  public Teacher() {
    mObserverList = new ArrayList<>();
  }

  @Override
  public void registerObserver(Observer observer) {
    //向集合中添加观察者
    mObserverList.add(observer);

  }

  @Override
  public void removeObserver(Observer observer) {
    //从集合中移除观察者
    mObserverList.remove(observer);

  }

  @Override
  public void notifyObservers(String message) {

    //遍历集合通知所有的观察者,自身数据变化了
    for (Observer observer : mObserverList) {
      observer.update(message);
    }

  }
}

创建具体观察者

public class Student implements Observer {

  private String name;

  @Override
  public void update(String message) {
    System.out.println("主题状态消息:" + message + "," + name + "到");
  }

  @Override
  public void setName(String name) {
    this.name = name;

  }
}

运行示例

public class LessonStart {

  public void main(String[] args) {
    LessonStart lessonStart = new LessonStart();
    Student s1 = new Student();
    s1.setName("张三");
    Student s2 = new Student();
    s2.setName("李四");
    Teacher teacher = new Teacher();
    //注册两个观察者
    teacher.registerObserver(s1);
    teacher.registerObserver(s2);
    //这里假设主题状态变-->通知观察者更新
    teacher.notifyObservers("点名啦");


  }

}

1、老师是被观察者,他需要实现接口的方法

注册/移除订阅:往集合中存放/移除观察者

发布:循环遍历观察者,调用观察者方法

2、学生是观察者,那么我们只需要给他个名字,实现观察者的方法即可

最后,我们就把观察者和被观察者关联起来,LessonStart (上课啦)

打印结果
主题状态消息:点名啦,张三到
主题状态消息:点名啦,李四到

【6层】一字型框架办公楼(含建筑结构图、计算书) 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。
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