由浅入深学“工厂模式”(2)

  3.4 工厂方法

有了简单工厂模式后,已经给我们带来了一些好处,但是还存在一些问题,如果我们又多了一个影像家电产品MP4之后,我们可以使MP4类从VideoWiring派生,但是却要修改Create类的代码使它能够生产出MP4这个产品来。不好的地方就在于,我们每次多一个产品的时候都需要修改Create而不是保持原来的代码不修改仅仅进行一种扩展。在Create类中修改不是每次都简单的多一个Case语句就能够解决问题。因为Create类中还封装了创建对象的逻辑,有可能还需要修改这些逻辑。这就违反了面向对象设计中一个很重要的原则“开-闭”原则。

 

“开-闭”原则the Open Closed Principle OCP): 

在面向对象设计中,如何通过很小的设计改变就可以应对设计需求的变化,这是令设计者极为关注的问题。开闭原则就是个软件实体在扩展性方面应该是开放的而在更改性方面应该是封闭的。这个原则说的是,在设计一个模块的时候,应当使这个模块可以在不被修改的前提下被扩展。通过扩展已有的软件系统,可以提供新的行为,以满足对软件的新需求,使变化中的软件系统有一定的适应性和灵活性。已有的软件模块,特别是最重要的抽象层模块不能再修改,这就使得变化中的软件系统有一定的稳定性和延续性。因此在进行面向对象设计时要尽量考虑接口封装机制、抽象机制和多态技术。

 

前边设计(简单工厂)中存在的问题就是它分装了创建不同对象的逻辑,当有新的产品的时候不易扩展。在开闭原则的指导下我们考虑如何重新修改前边的设计,我们要尽量使用抽象机制和多态技术。我们放弃对创建不同对象的逻辑的封装,也采用类似产品的方式,抽象出抽象工厂,具体工厂,具体工厂从抽象工厂派生,每个具体工厂中生产一种具体的产品。“太棒了,告诉你,你的这个想法就是工厂方法模式”。

 

下面使用工厂方法模式修改前边的设计:

 

 

public   abstract   class  Create
{
    
public abstract VideoWiring factory();
}


public   class  DVDCreate: Create 
{
    
public override VideoWiring factory()
    
{
        
return new DVD();
    }

}


public   class  VCDCreate: Create 
{
    
public override VideoWiring factory()
    
{
        
return new VCD();
    }

}

 

VideoWiring、DVD、VCD三个类的代码和前边的相同,下面我们看看在客户端如何使用。

下面我们考虑需要扩展一个新的产品MP4的时候如何处理。

         private   void  PlayVideo()
        
{
            VideoWiring dvd,vcd;
            Create dvdCreate,vcdCreate;
            dvdCreate
=new DVDCreate();
            dvd
=dvdCreate.factory();
            Play(dvd);
            vcdCreate
=new VCDCreate();
            vcd
=vcdCreate.factory();
            Play(vcd);
        }

   

 


我们来看看增加的代码:

public   class  MP4Create: Create 
{
    
public override VideoWiring factory()
    
{
        
return new MP4();
    }

}


public   class  MP4: VideoWiring 
{
    
public override string PlayVideo()
    
{
        
return "正在播放MP4";
    }

}


我们再看看客户端代码:

MP4的时候没有修改原来的代码,而仅仅是对原来的功能进行扩展系统便有了MP4这个产品的功能。

         private   void  PlayVideo()
        
{
            VideoWiring dvd,vcd;
            Create dvdCreate,vcdCreate;
            dvdCreate
=new DVDCreate();
            dvd
=dvdCreate.factory();
            Play(dvd);
            vcdCreate
=new VCDCreate();
            vcd
=vcdCreate.factory();
            Play(vcd);
    
            
//下面是新增的代码
            VideoWiring mp4;
            Create mp4Create;
            mp4Create
=new MP4Create();
            mp4
=mp4Create.factory();
            Play(mp4);

        }


我们可以看出使用了工厂方法模式后,很好的满足了开闭原则,当我们增加了一个新的产品

 

将工厂方法模式推广到一般情况:

 


角色说明:

抽象工厂(Creator):定义具体工厂的接口,所有的创建对象的工厂类都必须实现这些接口。

具体工厂(ConcreteCreator):具体工厂包含与应用密切相关的逻辑。复杂创建具体的产品。

抽象产品(Product):所有产品的基类。

具体产品(ConcreteProduct):实现抽象产品申明的接口。工厂方法模式所创建的每个对象都是某个具体产品的实例。

  

工厂方法模式的用意是定义一个创建产品对象的工厂接口,将实际创建工作推迟到子类中。工厂方法模式是简单工厂模式的进一步抽象和推广。由于使用了多态性,工厂方法模式保持了简单工厂模式的优点,而且克服了它的缺点。在工厂方法模式中,核心的工厂类不再负责所有的产品的创建,而是将具体创建的工作交给子类去做。这个核心类则成为了一个抽象工厂角色,仅负责给出具体工厂子类必须实现的接口,而不接触哪一个产品类应当被实例化这种细节。这种进一步抽象化的结果,使这种工厂方法模式可以用来允许系统在不修改具体工厂角色的情况下引进新的产品。

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
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