原型模式

原型模式,我的理解就是copy原型的数据,与=号赋值不同,前者的地址是不一致的,仅仅是使用了原型的数据。如A为原型,B为原型克隆而来,原型模式下A和B仅数据相同,所以A,B间在浅深度下改变基本类型数据时是不影响的,在重深度下改变引用类型下数据也是要不影响的。
浅深度下:

package singleton;

import java.util.List;

public class User implements Cloneable{

    private String name;
    private int age;
    private List<String> list;
    public List<String> getList() {
        return list;
    }
    public void setList(List<String> list) {
        this.list = list;
    }
    public String getName() {
        return name;
    }
    public void setName(String name) {
        this.name = name;
    }
    public int getAge() {
        return age;
    }
    public void setAge(int age) {
        this.age = age;
    }

    public User getClone() {
        try {
            return (User) this.clone();
        } catch (CloneNotSupportedException e) {
            e.printStackTrace();
        }
        return null;
    }
}
package singleton;

public class MainClass {

    public static void main(String[] args) {
        User user = new User();
        user.setName("zhangsan");
        user.setAge(10);
        User user2 = user.getClone();
        System.out.println(user.getName());
        System.out.println(user2.getName());
        user.setName("lissi");
        System.out.println(user.getName());
        System.out.println(user2.getName());

    }

}

输出结果

zhangsan
zhangsan
lissi
zhangsan

原型中基本类型值的改变了,从输出结果可以看出user1中的值并没有变,故两者地址不一致。在轻深度下,如果原型中引用类型的值改变,则user1中对应的属性值也是改变的。如:

package singleton;

import java.util.ArrayList;

public class MainClass {

    public static void main(String[] args) {
        User user = new User();
        user.setName("zhangsan");
        user.setAge(10);
        ArrayList<String> list = new ArrayList<String>();
        list.add("one");
        list.add("two");
        user.setList(list);
        User user2 = user.getClone();
        System.out.println(user.getList());
        System.out.println(user2.getList());
        list.add("three");
        System.out.println(user.getList());
        System.out.println(user2.getList());


    }

}

输出结果是:

[one, two]
[one, two]
[one, two, three]
[one, two, three]

可以看出是两者是一同改变的,所以当需要重深度地克隆话,则需更改User中的getClone方法

public User getClone() {
        try {
            User clone =(User) this.clone();
            ArrayList<String> arrayList = new ArrayList<String>();
            this.getList().forEach((e)->arrayList.add(e));
            clone.setList(arrayList);
            return  clone;
        } catch (CloneNotSupportedException e) {
            e.printStackTrace();
        }
        return null;
    }

输出结果为:

[one, two]
[one, two]
[one, two, three]
[one, two]

其它引用类型相同处理,也可以使用spring的BeanUtils来转换引用类型。使用场景:
- 在创建对象的时候,我们不只是希望被创建的对象继承
其基类的基本结构,还希望继承原型对象的数据。
- 希望对目标对象的修改不影响既有的原型对象(深度克
隆的时候可以完全互不影响)。
- 隐藏克隆操作的细节。很多时候,对对象本身的克隆需
要涉及到类本身的数据细节。

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