设计模式之代理模式

代理模式为另一个对象提供一个替身或者占位符以控制对这个对象访问。代理也可以扩展目标对象的功能。

类图:


优点:

1、代理可以过滤掉一些访问,限制对这个对象的访问,起到一个中介的作用。

2、代理类除了是客户类和被代理类的中介之外,我们还可以通过给代理类增加额外的功能来扩展被代理类的功能,这样做我们只需要修改代理类而不需要再修改被代理类类,符合代码设计的开闭原则。代理类主要负责为被代理类预处理消息、过滤消息、把消息转发给被代理类,以及事后对返回结果的处理等。代理类本身并不真正实现服务,而是同过调用被代理类的相关方法,来提供特定的服务。真正的业务功能还是由被代理类来实现,但是可以在业务功能执行的前后加入一些公共的服务。例如我们想给项目加入缓存、日志这些功能,我们就可以使用代理类来完成,而没必要打开已经封装好的被代理类。

如果按照代理创建的时期来进行分类的话,可以分为两种:静态代理、动态代理。静态代理是由程序员创建或特定工具自动生成源代码,在对其编译。在程序员运行之前,代理类.class文件就已经被创建了。动态代理是在程序运行时通过反射机制动态创建的。

静态代理优点就是上述两个优点。

静态代理缺点:我们得为每一个服务都得创建代理类,工作量太大,不易管理。同时接口一旦发生改变,代理类也得相应修改。

动态代理大大减少了我们的开发任务,同时减少了对业务接口的依赖,降低了耦合度。分为JDK动态代理和CGLIB代理。JDK代理只能代理实现接口的类,CGLIB是通过继承实现的代理,所以不能代理final修饰的类。

静态代理实例:

一个Subject接口:

public interface Subject {
	public abstract void request();

}

被代理的类:

public class RealSubject implements Subject{

	@Override
	public void request() {
		System.out.println("I am working.");
		
	}

}

代理类:

public class Proxy implements Subject{
	Subject subject;
	public Proxy(Subject subject){
		this.subject=subject;
	}

	@Override
	public void request() {
		System.out.println("before...");
		subject.request();
		System.out.println("after...");
		
	}

}

测试代码:

public class Test {

	public static void main(String[] args) {
		Subject sb=new Proxy(new RealSubject());
		sb.request();

	}

}

动态代理实例见如下博客(也就是Spring AOP的实现原理):

https://blog.csdn.net/karute/article/details/80644625

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