命令(Command)模式

在软件系统中,行为请求者;与行为实现者通常呈现一种紧耦合。但在某些场合,比如要对行为进行记录、撤销/重做、事务等处理,这种无法抵御变化的紧耦合是不合适的。在这种情况下,如何将行为请求者与行为实现者解耦?将一组行为抽象为对象,可以实现二者之间的松耦合。
将一个请求封装为一个对象,从而使你可用不同的请求对客户进行参数化;对请求排队或记录请求日志,以及支持可撤消的操作。

一,结构

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

二,示例代码

public class Document {
	public void display() {
		System.out.println("Display");
	}

	public void undo() {
		System.out.println("Undo");
	}

	public void redo() {
		System.out.println("Redo");
	}
}

/**
 * 抽象命令
 * 
 * @author Salmon
 * 
 */
public abstract class DocumentCommand {
	protected Document _document;

	public DocumentCommand(Document doc) {
		this._document = doc;
	}

	public abstract void execute();
}

/**
 * 显示命令
 * 
 * @author Salmon
 * 
 */
public class DisplayCommand extends DocumentCommand {
	public DisplayCommand(Document doc) {
		super(doc);
	}

	public void execute() {
		this._document.display();
	}
}

/**
 * 撤销命令
 * 
 * @author Salmon
 * 
 */
public class UndoCommand extends DocumentCommand {
	public UndoCommand(Document doc) {
		super(doc);
	}

	public void execute() {
		this._document.undo();
	}
}

/**
 * 重做命令
 * 
 * @author Salmon
 * 
 */
public class RedoCommand extends DocumentCommand {
	public RedoCommand(Document doc) {
		super(doc);
	}

	public void execute() {
		_document.redo();
	}
}

/**
 * invoker角色
 * @author Salmon
 *
 */
public class DocumentInvoker {
	private DocumentCommand _discmd;
	private DocumentCommand _undcmd;
	private DocumentCommand _redcmd;

	public DocumentInvoker(DocumentCommand discmd, DocumentCommand undcmd,
			DocumentCommand redcmd) {
		this._discmd = discmd;
		this._undcmd = undcmd;
		this._redcmd = redcmd;
	}

	public void display() {
		_discmd.execute();
	}

	public void undo() {
		_undcmd.execute();
	}

	public void redo() {
		_redcmd.execute();
	}
}

/**
 * 客户端代码
 * @author Salmon
 *
 */
public class Client {
	public static void main(String[] args) {
		Document doc = new Document();
		DocumentCommand discmd = new DisplayCommand(doc);
		DocumentCommand undcmd = new UndoCommand(doc);
		DocumentCommand redcmd = new RedoCommand(doc);
		DocumentInvoker invoker = new DocumentInvoker(discmd, undcmd, redcmd);
		invoker.display();
		invoker.undo();
		invoker.redo();
	}
}


可以看到:
1.在客户程序中,不再依赖于Document的display(),undo(),redo()命令,通过Command对这些命令进行了封装,使用它的一个关键就是抽象的Command类,它定义了一个操作的接口。同时我们也可以看到,本来这三个命令仅仅是三个方法而已,但是通过Command模式却把它们提到了类的层面,这其实是违背了面向对象的原则,但它却优雅的解决了分离命令的请求者和命令的执行者的问题,在使用Command模式的时候,一定要判断好使用它的时机。
2.上面的Undo/Redo只是简单示意性的实现,如果要实现这样的效果,需要对命令对象设置一个状态,由命令对象可以把状态存储起来。

 

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