除去代码异味 敏捷开发(二)

 

 

    要判断代码的稳定性,我们可能会这样来判定:先假设一些具体的情况或者需求变动了,然后来看一看,要
满足这些新的需求,代码是否需要被修改?


    可惜,这也是一件很麻烦的事,因为有那么多的可能性!我们怎么知道哪个可能性要考虑,哪些不用考虑?
有个更简单的方法,如果发现说,我们已经第三次修改这些代码了,那我们就认定这些代码是不稳定的。
这样的方法很“懒惰”,而且“被动”!因为这是在我们被伤到了以后,才开始处理问题。虽然这种方法还算
是一个很有效的方法。


    此外,还有一个简单,而且“主动”的方法:如果这段代码是不稳定或者有一些潜在问题的,那么代码往往
会包含一些明显的痕迹。正如食物要腐坏之前,经常会发出一些异味一样(当然,食物如果有异味了,再怎么处
理我们都不想吃了。但是代码可不行。)。我们管这些痕迹叫做“代码异味”。并不是所有的食物有异味都不能吃
了,但大多数情况下,确实是不能吃了。并不是所有的代码异味都是坏事,但大多数情况下,它们确实是坏事情!

 


第一种异味:代码用了类别代码(type code)。
 class Shape {
  final int TYPELINE = 0;
  final int TYPERECTANGLE = 1;
  final int TYPECIRCLE = 2;
  int shapeType;
  ...
 }
 这样的异味,是一种严肃的警告:我们的代码可能有许多问题。

 

第二种异味:Shape 这个类有很多属性有时候是不用的。例如,radius 这个属性只有在这个Shape 是个圆的时候才用到:
 class Shape {
  ...
  Point p1;
  Point p2;
  int radius; //有时候不用
 }

 

第三种异味:我们想给p1,p2 取个好一点的变量名都做不到,因为不同的情况下,它们有不同的含义:
 class Shape {
  ...
  Point p1; //要取作“起始点”,“左下点”,还是“圆心”?
  Point p2;
 }

 

第四种异味:drawShapes这个方法里面,有个switch表达式。当我们用到switch(或者一大串的if-then-else-if)时,小心了。switch表达式经常是跟类别代码(type code)同时出现的。

 

 

//原代码

 

//Fixed:

 

 

 总结一下类别代码的移除

要移动一些类别代码和switch表达式,有两种方法:
 1.用基于同一父类的不同子类来代替不同的类别。
 2.用一个类的不同对象来代替不同的类别。
 当不同的类别具有比较多不同的行为时,用第一种方法。当这些类别的行为非常相似,或者只是差别在一些值上面的时候,用第二个方法。

 

普遍的代码异味

类别代码和switch表达式是比较普遍的代码异味。此外,还有其他的代码异味也很普遍。


下面是大概的异味列表:

代码重复
> 太多的注释
> 类别代码(type code)
> switch或者一大串if-then-else-if
> 想给一个变量,方法或者类名取个好名字时,也怎么也取不好
> 用类似XXXUtil, XXXManager, XXXController 和其他的一些命名
> 在变量,方法或类名中使用这些单词“And”,“Or”等等
> 一些实例中的变量有时有用,有时没用
> 一个方法的代码太多,或者说方法太长
> 一个类的代码太多,或者说类太长
> 一个方法有太多参数
> 两个类都引用了彼此(依赖于彼此)

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