CRUD很无聊?一起学设计模式吧! — 命令模式

定义

命令模式属于对象的行为模式。命令模式又称为行动(Action)模式或交易(Transaction)模式。

命令模式把一个请求或者操作封装到一个对象中。命令模式允许系统使用不同的请求把客户端参数化,对请求排队或者记录请求日志,可以提供命令的撤销和恢复功能。

命令模式是对命令的封装。命令模式把发出命令的责任和执行命令的责任分割开,委派给不同的对象。

每一个命令都是一个操作:请求的一方发出请求要求执行一个操作;接收的一方收到请求,并执行操作。命令模式允许请求的一方和接收的一方独立开来,使得请求的一方不必知道接收请求的一方的接口,更不必知道请求是怎么被接收,以及操作是否被执行、何时被执行,以及是怎么被执行的。

命令允许请求的一方和接收请求的一方能够独立演化,从而具有以下的优点:    

  • 命令模式使新的命令很容易地被加入到系统里。

  • 允许接收请求的一方决定是否要否决请求。

  • 能较容易地设计一个命令队列。

  • 可以容易地实现对请求的撤销和恢复。

  • 在需要的情况下,可以较容易地将命令记入日志。

UML

640?wx_fmt=png

 

角色说明

命令模式有以下五个角色:

  • 客户端(Client):客户端负责创建一个具体的命令,并设置命令的接收者;

  • 命令角色(Command):Command为所有的命令声明了一个接口,调用命令的execute()方法就可以让接收者进行相关的动作,为了进行命令的回滚,一般会有一个相反动作的方法undo();

  • 具体命令(ConcreteCommand):ConcreteCommand定义了动作和接收者之间的绑定关系。实现execute()方法,负责调用接收者的相应操作;

  • 调用者(Invoker):调用者持有一个命令对象,并在某个时间点调用Command命令的execute()方法,将请求付诸实现;

  • 执行者(Receiver):接收者知道如何实现具体的命令,任何类都可以充当执行者角色。

 

场景实战

我们日常开发工作中,项目经理提出具体的需求任务,他们把需求全部交到开发主管手上,他们不关心需求如何实现,只要能保证按时完成即可。

开发主管根据需求的紧急程度排定优先级,然后由具体开发组进行任务的开发。

在这个场景中,我们可以使用命令模式中的角色实现,他们之间的对应关系如下:

项目经理开发主管DeveloperLeader需求 Task具体需求PSTask程序员 Developer
客户端Cient调用者Invoker命令Command具体命令ConcreteCommand执行者Receiver

代码示例

 

 

/**
 * 任务执行者* 任务执行者
 * @author jam* @author jam
 * @date 2019/4/3下午11:05* @date 2019/4/3下午11:05
 */*/
public class Developer { class Developer {
    private String name;private String name;
    public Developer(String name){public Developer(String name){
        this.name = name;this.name = name;
    }
 
    public void handleTask(){public void handleTask(){
        System.out.println(name + "埋头撸代码");System.out.println(name + "埋头撸代码");
    }
 
    public void cancelTask(){public void cancelTask(){
        System.out.println(name + "删除代码逻辑");System.out.println(name + "删除代码逻辑");
    }
}

 

 

 

/**
 * 抽象命令接口* 抽象命令接口
 * @author jam* @author jam
 * @date 2019/4/3下午11:03* @date 2019/4/3下午11:03
 */*/
public interface Task { interface Task {
    //执行命令//执行命令
    void execute();void execute();
 
    //撤销命令//撤销命令
    void undo();void undo();
}

 

 

 

/**
 * 具体命令角色,需要绑定与执行者之间的关系并调用执行者的具体方法* 具体命令角色,需要绑定与执行者之间的关系并调用执行者的具体方法
 * @author jam* @author jam
 * @date 2019/4/3下午11:04* @date 2019/4/3下午11:04
 */*/
public class PSTask implements Task { class PSTask implements Task {
 
    Developer developer;Developer developer;
 
    public PSTask(Developer developer) {public PSTask(Developer developer) {
        this.developer = developer;this.developer = developer;
    }
 
    @Override@Override
    public void execute() {public void execute() {
        developer.handleTask();developer.handleTask();
    }
 
 
    @Override@Override
    public void undo() {public void undo() {
        developer.cancelTask();developer.cancelTask();
    }
}

 

 

 

/**
 * 具体命令角色,需要绑定与执行者之间的关系并调用执行者的具体方法* 具体命令角色,需要绑定与执行者之间的关系并调用执行者的具体方法
 * @author jam* @author jam
 * @date 2019/4/3下午11:04* @date 2019/4/3下午11:04
 */*/
public class OATask implements Task { class OATask implements Task {
 
    Developer developer;Developer developer;
 
    public OATask(Developer developer) {public OATask(Developer developer) {
        this.developer = developer;this.developer = developer;
    }
 
    @Override@Override
    public void execute() {public void execute() {
        developer.handleTask();developer.handleTask();
    }
 
    @Override@Override
    public void undo() {public void undo() {
        developer.cancelTask();developer.cancelTask();
    }
}

 

 

 

/**
 * 开发主管,具体调用者* 开发主管,具体调用者
 * @author jam* @author jam
 * @date 2019/4/3下午11:11* @date 2019/4/3下午11:11
 */*/
public class DeveloperLeader { class DeveloperLeader {
    Task task;Task task;
    public void setTask(Task task){public void setTask(Task task){
        this.task = task;this.task = task;
    }
 
    //实现需求任务//实现需求任务
    public void handlerTask(){public void handlerTask(){
        task.execute();task.execute();
    }
 
    public void cacelTask(){public void cacelTask(){
        task.undo();task.undo();
    }
}

 

 

 

/**
 * 客户端,用于模拟项目经理* 客户端,用于模拟项目经理
 * @author jam* @author jam
 * @date 2019/4/3下午11:14* @date 2019/4/3下午11:14
 */*/
public class Test { class Test {
    public static void main(String[] args) {public static void main(String[] args) {
        //此处开发主管就是调用者,会传入一个命令对象,可以用来发出请求//此处开发主管就是调用者,会传入一个命令对象,可以用来发出请求
        DeveloperLeader developerLeader = new DeveloperLeader();DeveloperLeader developerLeader = new DeveloperLeader();
        Developer developer = new Developer("阿黄");Developer developer = new Developer("阿黄");
        //提了一个oa相关任务//提了一个oa相关任务
        Task oaTask = new OATask(developer);Task oaTask = new OATask(developer);
        //命令传给调用者//命令传给调用者
        developerLeader.setTask(oaTask);developerLeader.setTask(oaTask);
        developerLeader.handlerTask();developerLeader.handlerTask();
        developerLeader.cacelTask();developerLeader.cacelTask();
 
        System.out.println("--------");System.out.println("--------");
 
        Developer developer1 = new Developer("棒棒王");Developer developer1 = new Developer("棒棒王");
        //提了一个ps相关任务//提了一个ps相关任务
        Task psTask = new PSTask(developer1);Task psTask = new PSTask(developer1);
        developerLeader.setTask(psTask);developerLeader.setTask(psTask);
        developerLeader.handlerTask();developerLeader.handlerTask();
        developerLeader.cacelTask();developerLeader.cacelTask();
    }
}

运行结果如下:

640?wx_fmt=png

 

640?wx_fmt=jpeg

 

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,并对系统性能出一定的优化。.zip深度习是机器习的一个子领域,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习和模式识别。深度习模型能够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、医图像分析等应用至关重要。以下是深度习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度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. **深度习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度习模型的工具和库。 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。
深度习是机器习的一个子领域,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习和模式识别。深度习模型能够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、医图像分析等应用至关重要。以下是深度习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度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. **深度习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度习模型的工具和库。 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

打赏作者

飘渺Jam

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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