java设计模式之---策略模式

概念

Strategy模式也叫策略模式是行为模式之一, 他对一系列算法加以封装, 为所有的算法定义一个抽象的算法接口, 并通过继承该抽象算法接口对所有的算法加以封装和实现,具体的算法选择交由客户端决定(策略). Strategy模式主要用来平滑的处理算法的切换

结构


Strategy: 策略(算法)的抽象
ConcreteStrategy: 各种策略(算法)的实现
Context: 策略的外部封装类, 或者说策略的容器类. 根据不同的策略执行不同的行为. 策略由外部环境决定


这种设计客户只需要关心Context即可, 可以把Context 看成一个简单的工厂, 持有一个抽象算法的引用, 算法的实现可以有无限多个

代码

商家打折促销策略
//商家促销策略
public interface Strategy {
	public double cost(double money);
}

public class StrategyA implements Strategy {

	// 策略A: 八折
	@Override
	public double cost(double money) {
		return money * 0.8;
	}

}

public class StrategyB implements Strategy {

	// 策略B: 满200返50
	@Override
	public double cost(double money) {
		if (money >= 200) {
			return money - 50;
		}
		return money;
	}

}
测试代码
public class MainClass {
	public static void main(String[] args) {

		Context context = new Context(new StrategyA());
		// Context context = new Context(new StrategyB());
		System.out.println(context.cost(200));
	}
}

优点

1. 策略模式提供了管理相关算法族的办法. 策略类的等级结构定义了一个算法或行为族. 恰当的使用继承可以把公共的代码移到父类里面, 从而避免重复的代码
2. 策略模式提供了可以替换继承关系的办法. 继承可以处理多种算法或行为. 如果不是用策略模式, 那么使用算法或行为的环境类就可能会有一些子类, 每一个子类提供一个不同的算法或行为. 但是, 这样一来算法或行为的使用者就和算法或行为本身混在一起. 决定使用哪一种算法或采用哪一种行为的逻辑和算法或行为的逻辑混合在一起, 从而不可能再独立演化. 继承使得动态改变算法或行为变得不可能
3. 使用策略模式可以避免使用多重条件转移语句(if). 多重转移语句不易维护, 他把采取哪一种算法或行为的逻辑与算法或行为的逻辑混在一起,统统列在一个多重转移语句里面, 比使用继承的办法还要原始和落后

缺点

1. 客户端必须知道所有的策略类, 并自行决定使用哪一个策略类. 这就意味着客户端必须理解这些算法的区别, 以便适时选择恰当的算法类. 换言之,策略模式只适用于客户端知道所有的算法或行为的情况
2. 策略模式造成很多的策略类. 有时候可以通过把依赖于环境的状态保存到客户端里面, 而将策略类设计成可共享的, 这样策略类实例可以被不同的客户端使用. 换言之, 可以使用享元模式来减少对象的数量








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