5,单例模式

一,初识单例模式
包括:定义,结构,参考实现
二,体会单例模式
包括:场景问题,不用模式的解决方案,使用模式的解决方案
三,理解单例模式
包括:认识单例模式,懒汉式,饿汉式实现,延迟加载的思想,缓存的思想,Java中缓存的基本实现,利用缓存来实现单例模式,单例模式的优缺点,
四,思考单例模式
包括:单例模式的本质,何时选用

一,初识单例模式

1,定义
保证一个类仅有一个实例,并提供一个访问它的全局访问点

2,结构和说明
在这里插入图片描述
负责创建Singleton类自己的唯一实例,并提供一个getInstance的方法,让外部来访问这个类的唯一实例

二,体会单例模式

读取配置文件内容

a,不用模式
代码详见 git@github.com:qinixiangyang111/design.git 中example1
存在的问题:
在系统运行期间,系统会存在很多个AppConfig的实例对象,这会很严重的浪费系统资源。
上面的描述抽象一下:在系统运行期间,某个类只需要一个类的实例就可以了,应该怎么实现?

b,使用模式
代码详见example2包
用的是饿汉式

三,理解单例模式

1,单例模式的功能
用来保证这个类在运行期间只会创建一个类的实例,并提供一个全局唯一访问这个类实例的访问点

2,单例模式的范围
是一个ClassLoader及其子ClassLoader的范围(一个虚拟机的范围)

3,单例模式的命名
一般建议单例模式方法的命名 getInstance(),方法可以加参数,

4,懒汉式和饿汉式的实现
懒汉式: example4下
饿汉式:example3下
分析这两种方法的问题

  • 从时间空间上看:

  • 懒汉式以时间换空间(需要做判断)

  • 饿汉式以空间换时间(类加载的时候就创建了,这种做法相对较好,如果一定会用的话)

  • 从线程安全

    • 懒汉式:不安全
    • 饿汉式:安全的(虚拟机保证)

5,延迟加载的思想
延迟加载:开始的时候不要加载资源或数据,等到必须要用的时候才加载,Lazy Load,目的是尽量节约资源
(懒汉式体现这种思想)
6,缓存思想
单例模式懒汉式还体现了缓存的思想
如果某些资源或数据被频繁使用,可以把这些数据缓存到内存中,每次操作的时候先从缓存中去找,缓存是典型的以空间换时间。

7,java缓存的基本实现
使用集合的方式(List或者Map)
代码详见example5
a,定义一个存放缓存数据的容器
b,从缓存中获取数据的做法

  • 先从缓存里面取值
  • 判断缓存中是否有值
  • 如果有值直接返回使用
  • 如果没有,获取相应的数据,并放到缓存中(重点,保证下一次使用)
    //web中scope===》数据缓存的范围,request,
    //<jsp: useBean name=“aa” class=“cn.javass.Amodel” scope=“request”>
    //就是缓存的思想 Object obj=request.getAttibute(“aa”);

8,利用缓存实现单例模式(不推荐)代码详见example6

9,单例模式的优缺点

a,时间和空间 饿汉式空间换时间。懒汉式时间换空间
b,线程安全。
(1)不加同步的懒汉式是线程不安全的
(2)饿汉式是线程安全的
(3)双重检查加锁
并不是每次进入getInstance方法都需要同步,而是先不同步,进入方法后,检查实例是否存在,如果不存在才进入下面的同步块,这是第一重检查,进入同步块之后,再次检查实例是否存在,如果不存在就在同步情况下创建一个实例,这是第二重检查,这样一来,只需同步一次,从而减少多次在同步情况下进行判断所浪费的时间。代码详见example8
volatile:被volatile修饰的变量并不是存在本地线程缓存,而是放在共享的内存进行的操作,
(4)如何保证懒汉式是线程安全的?加synchronized

10,
内部类创建单例模式,代码详见example7

11,单例和枚举
单元素的枚举类型,成为实现单例模式的最佳方法

12,单例模式的本质
控制实例的数目(思考怎么可以保证实例的数量为指定的见example10)

13,何时选用单例模式
a,当需要类的实例只能有一个,客户只能从一个全局访问点访问它的时候,可以选用单例模式

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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

打赏作者

大道至简@EveryDay

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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