Java 23种设计模式

,, Factory Method(工厂方法模式),
Prototype(原始模型模式),Singleton(单例模式), Facade(门面模式),
, , Composite(合成模式),
, Flyweight(享元模式), Proxy(代理模式),
Command(命令模式), Interpreter(解释器模式), Visitor(访问者模式),
Iterator(迭代子模式), Mediator(调停者模式), Memento(备忘录模式),
Observer(观察者模式), State(状态模式), Strategy(策略模式),
Template Method(模板方法模式),  


Adapter(适配器模式)
类: adapter继承类实现接口,在其中转换层接口需要的输出结果
对象: 类作为对象定义在adapter类中,只实现接口,然后在其中转换层接口需要的输出结果
接口: 当需要创建一个接口对象时,需要实现接口的所有方法,如果adapter抽象类中空实现所有接口的方法,然后在创建adapter时,只需要实现需要的方法就可以创建这个接口的对象了
 Builder(建造模式)
 当成员变量很多的时候,构造方法会有很多,参数也很多,所以可以用build方法返回当前类的对象,每个set方法返回本类对象。
 Bridge(桥梁模式)
 当有两种不同类型抽象类和接口需要组合使用的时候,可以使用桥梁模式,抽象类进行一种抽象实现,接口进行各种继承,然后将接口放入抽象类,当做成员变量,在实现的时候,可以按照需求实例化具体的抽象类,再讲子接口的实现类对象传递给抽象类的实现对象,进行组合封装,最后输出需要的组合结果。
 
 Chain Of Responsibleity(责任链模式)
 当一个实现类无法完成任务时,请求他的上级来处理,直到有一位上级可以处理为止,一个抽象类里面加入上级对象(成员变量),提供需要处理的抽象方法,子类实现抽象父类,在使用时,将上级对象传给当前子类的上级,已完成需要处理的方法。
 
 Decorator(装饰模式)
 当我们想在一个现有的类方法的基础上,增加一些功能的时候,可以创建一个装饰者类同样的实现这个类的接口,在实现的方法中直接调用这个类的实现方法,并且把这个类对象添加为成员变量,然后创建需要增加功能的装饰者子类,并重写装饰者类实现的方法,并且同时增加需要的功能。
 
 Factory(工厂模式)
 1.简单工厂模式:工厂类是专门创建实例对象的,根据参数的不同创建不同的对象

2.工厂方法模式:定义一个用于创建对象的接口,让子类决定实例化哪一个类,工厂方法使一个类的实例化延迟到其子类

​3.抽象工厂模式:提供一个创建一系列相关或相互依赖对象的接口,而无需指定它们具体的类。
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