java设计模式——工厂模式

工厂模式

工厂模式的介绍

工厂模式实现了调用者和实现者的分离,本质上就是把不变的部分提取出来;将可变的留作为接口,以达到最大程度上的复用。

工厂模式的分类:
1、简单工厂模式(静态工厂模式):由一个工厂类传入的参数,动态决定应该创建哪一个类的实例。

2、工厂方法模式:让子类决定实例化具体的某一个类,即在工厂和产品中间增加接口,工厂不再负责产品的创建,由接口针对不同条件返回具体的类实例,由具体类实例去实现

简单工厂模式:虽然可以通过工厂来创建对象,但违反了开闭原则,但添加新功能时需要修改代码。


/**
 * 汽车工具类
 * @author Justin
 *
 */
public class CarFactory {

    public static Car createCar(String type){
        if("H".equals(type)){
            return new H();
        }else if("BYD".equals(type)){
            return new BYD();
        }else{
            return null;
        }
    }
}


//测试简单工厂方法
public class TestSimpleFactoryCar {//调用者
    public static void main(String[] args) {
        //创建汽车
        Car H = CarFactory.createCar("H");//创建者
        Car BYD = CarFactory.createCar("BYD");
        H.run();
        BYD.run();
    }
}

工厂方法模式:将工厂类调整为工厂接口,需要什么类型的类就使用该类实现该工厂,创建相应的实例。


/**
*工厂接口
*@author Justin
**/
public interface CarFactory{
    //创建汽车
   public Car createCar();
}
/**
*本田汽车类
*@author Justin
**/
public class H{

 @override
 public Car createH(){
   return new H();
}

/**
*BYD汽车类
*@author Justin
**/
public class BYD{

 @override
 public Car createBYD(){
   return new BYD();
}
}

 /**
 *测试简单工厂方法
 * 工厂方法模式好处在于,以后如果再增加一辆车。只需再实现CarFactory接口即可。避免了OCP开闭原则
  * 不用在原来的代码上修改,只需新增类即可。
  * 例如:增加一辆奔驰,增加一个奔驰工厂BenzFactory即可。更好扩展
    */
public class TestSimpleFactoryCar {//调用者
    public static void main(String[] args) {
        //创建汽车
        Car H = new H().createH();
        Car BYD = new BYD().createBYD();
        H.run();
        BYD.run();
    }
}

抽象工厂模式:抽象工厂模式是工厂模式的升级版,当有多个抽象角色时使用的一种工厂模式。抽象工厂模式可以向客户端提供一个接口,使客户端在不必指定产品的具体的情况下,创建多个产品对象。它有多个抽象产品类,每个抽象产品类可以派生出多个具体产品类,一个抽象工厂类,可以派生出多个具体工厂类,每个具体工厂类可以创建多个具体产品类的实例。


/**
 * 发动机
 * @author Justin
 *
 */
public interface Engine {

    void run();
    void start();
}
//高级的发动机
class LuxuryEngine implements Engine{

    @Override
    public void run() {

        System.out.println("我是转的好快的高级发动机!");
    }

    @Override
    public void start() {
        System.out.println("我的启动速度也最快!");

    }

}
/**
 * 低级发动机
 * @author Justin
 *
 */
class LowEngine implements Engine{

    @Override
    public void run() {

        System.out.println("我是转的好慢的低级发动机!");
    }

    @Override
    public void start() {

        System.out.println("我的启动速度也最慢!");
    }

}

/**
 * 创建座椅
 * @author Justin
 *
 */
public interface Seat {

    void LuxurySeat();
}
class GoodSeat implements Seat{

    @Override
    public void LuxurySeat() {//创建座椅
        System.out.println("我是好的座椅!");  
    }

}

/**
 * 创建轮子
 * @author Justin
 *
 */
public interface Tyre {
   void LuxuryTyre();
}

class GoodTyre implements Tyre{

    @Override
    public void LuxuryTyre() {
        System.out.println("我是好的轮子");
    }

}
/**
 * 高端汽车的制造工厂
 * @author Justin
 *
 */
 class LuxuryCarFactory implements CarFactory{

    @Override
    public Engine createEngine() {

        return new LuxuryEngine();
    }

    @Override
    public Seat createSeat() {

        return new GoodSeat();
    }

    @Override
    public Tyre createTyre() {

        return new GoodTyre();
    }
    public static void main(String [] args){
         //想要好的车
        CarFactory car=new LuxuryCarFactory();
        Engine engine=car.createEngine();//创建高端的发动机
        engine.run();
        engine.start();
     }  

}

应用场景

JDK中的Calendar的getInstance方法

JDBC中Connection对象的获取getConnection

Hibernate中SessionFactory创建Session

spring中的IOC容器创建管理bean对象的时候也是工厂模式

XML解析时的DocumentBuilderFactory创建解析器对象

反射中Class对象的newInstance方法。

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