JAVA单例设计模式(饿汉懒汉)

            设计模式是指处理同一类问题的解决方案,共有24种,在Java中比较常用的设计模式如下:单例设计模式,模板设计模式,装饰者设计模式,工厂设计模式 ,观察者设计模式。

            单例设计模式保证一个类在内存中只存在一个对象。单例设计模式又分为饿汉式和懒汉式。

            饿汉单例设计模式
    1.私有化构造方法
    2.声明这个单例类的 引用类型变量, 然后直接 构造出这个对象,  这个变量是一个 私有的静态成员变量
    3.提供一个 静态的 公开的 方法 来 获取 这个类已经创建好的对象

             懒汉单例设计模式
     1.私有化构造方法
     2.声明这个单例类的 引用类型变量, 但是不用在这里创建这个对象
     3.提供一个 公开的 静态的 方法 来获取这个单例类的对象, 获取之前需要进行判断
     如果对象 还没有被创建 对象== null, 那么 就创建这个对象, 然后再返回
     否则就 返回原本已经 创建的对象。

  

             推荐 使用 饿汉单例设计模式,因为 懒汉单例设计模式可能出现多个线程同时操作 单例对象的构造 的情况,存在线程安全问题, 不能完全保证 一个类中只有一个对象。

public class Demo8 {



public static void main(String[] args) {
// TODO Auto-generated method stub

//相当于不让你自己new对象, 而是每次使用我给你提供的同一个对象。
King k = King.getInstance();
King k1 = King.getInstance();
King k2 = King.getInstance();
King k3 = King.getInstance();


System.out.println(k2 == k1);


Single s = Single.getInstance();
Single s1 = Single.getInstance();
System.out.println(s == s1);


}


}


//这个类在内存中 只存在一个对象
//饿汉单例设计模式
class King{

//提供一个 本类的对象,  是一个私有的静态成员变量
private static King k = new King();  //初始默认值

//私有化构造方法,不让外部构造任何对象
private King(){

}

//提供一个静态的  方法,让外部可以获取到这个 单例对象
public static King getInstance(){

return k;
}


}




//懒汉单例设计模式
class Single{

//提供对象给外部类使用
private static Single s;

//私有化构造方法
private Single(){

}

//提供一个方法,这个方法中 返回这个 类的 一个唯一对象
public static Single getInstance(){

if(s == null){

//如果s是空的,从来没有构造过这个对象,那么就创建这个对象
s = new Single();
}

//返回这个对象
return s;
}


}


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