- 博客(9)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 创建型——简单工厂模式（Simple Factory）
创建型模式将对象创建与使用分离，提升代码清晰度。常见模式包括简单工厂、工厂方法、抽象工厂等。以简单工厂模式为例，通过ShapeFactory类根据参数创建不同图形对象（Circle/Square），实现客户端与具体类的解耦。该模式封装创建逻辑、易于扩展，但新增类型仍需修改工厂代码，且不同图形参数适配问题仍需处理。虽然模式使结构更优雅，但实际开发工作量并不一定减少，关键在于合理设计抽象接口。
2025-07-18 10:59:43
245
原创 数据中心架构风格
数据为中心的架构风格将共享数据存储作为系统核心组件，主要分为仓库架构和黑板架构两种类型。仓库架构中，中央数据存储（如数据库、缓存系统）作为被动组件被访问，典型应用包括版本控制系统和剪贴板机制。黑板架构则以主动共享工作区为核心，通过事件驱动实现组件协作，典型案例是语音识别系统Hearsay-II。这种架构具有松耦合、数据一致性的优势，但也存在单点故障、性能瓶颈和维护困难的缺点。与基于规则的系统相比，黑板架构更适合处理复杂、不确定的问题，支持多领域专家协同求解。
2025-07-16 17:10:02
654
原创 虚拟机风格
摘要：虚拟机风格通过在软硬件间建立抽象层实现跨平台应用运行，如JVM和VMware。解释器风格逐条解析执行脚本，适用于动态语言和规则引擎。规则系统基于知识库进行推理决策，典型应用包括专家系统。两者对比：规则系统侧重知识推理（如Drools），解释器专注代码执行（如Python）。知识库构建需经历需求分析、知识获取、表示和验证等步骤，核心包含规则集和事实集。虚拟机虽提供环境一致性，但会带来性能损耗和实现复杂度。
2025-07-15 14:50:16
1757
原创 独立构件风格
独立构件风格是软件架构中通过异步消息/事件实现松耦合的设计模式（如外卖平台模式）。其核心特征包括组件独立性、异步通信机制和标准化接口，优势在于高内聚低耦合、容错性强和支持并发，但存在复杂度高、调试困难等局限性。典型实现包括进程间通信、事件驱动和服务网格，需注意消息顺序、幂等性和最终一致性。该模式通过牺牲实时性换取灵活性，适用于分布式系统和微服务架构。
2025-07-14 13:57:11
1349
原创 调用-返回风格
主程序/子程序风格是一种非常基础和实用的风格，它通过将程序分解成主程序和子程序，并利用调用/返回机制来实现模块化和层次化，使得程序更加易于理解和维护。一种基本的软件架构风格，其特点是组件之间通过函数或方法调用来传递控制流和数据，一个组件调用另一个组件执行特定任务，并在完成后将结果返回给调用者。通过将系统分解为多个模块，每个模块负责特定的功能，并使用调用/返回机制进行交互，可以实现系统的模块化和可维护性。典型的调用/返回风格是顺序执行的，调用方等待被调用方执行完毕并返回结果后才能继续执行后续操作。
2025-07-10 17:48:08
728
原创 管道-过滤体系结构
管道-过滤器体系结构是一种模块化软件设计模式，将数据处理任务分解为独立的过滤器组件，通过管道连接形成处理流水线。每个过滤器负责特定处理步骤，管道则在组件间传递数据。该架构具有模块化、可重用、易扩展等优点，支持并行处理，但存在中间数据开销、格式统一要求等缺点。典型应用包括ETL系统、实时数据处理、命令行工具链、编译器前端和图像处理等场景。通过将复杂任务拆解为标准化处理单元，该架构提高了系统灵活性和可维护性。
2025-07-07 17:54:09
815
原创 批处理体系结构
批处理体系结构是一种用于处理大规模、周期性数据任务的软件架构风格。它将数据处理任务分解为顺序执行的独立步骤，适合批量处理非实时数据。核心特点是顺序执行、批量处理、无人值守和容错机制。主要优势包括高效率、可扩展性、可靠性和易维护性。应用场景涵盖企业数据处理（如报表生成、ETL流程）、科学计算和定时任务等。现代批处理系统实现了自动化运行和监控，减少了人工干预。与流处理不同，批处理更适合处理已知大小的数据集。典型应用包括金融服务、SaaS平台、医学研究和数字媒体等领域。随着技术发展，批处理已成为处理海量数据的重要
2025-07-03 17:27:00
593
原创 词嵌入技术介绍
摘要：词嵌入技术将离散文本转换为连续向量，是自然语言处理的核心技术。主要方法包括Word2Vec（CBOW和Skip-gram架构）、GloVe（基于全局共现统计）、FastText（引入子词信息）、ELMo（首次实现上下文相关）和BERT（基于Transformer的深度双向模型）。这些技术从静态嵌入发展到动态上下文相关嵌入，性能不断提升但计算成本也随之增加。其中Word2Vec和GloVe适合简单任务，FastText擅长处理罕见词，而BERT等Transformer模型在复杂任务中表现最优但资源消耗大
2025-06-16 15:27:30
1580
原创 大语言模型简介
大语言模型是基于Transformer架构的深度神经网络，通过预训练和微调实现文本理解与生成。预训练阶段利用海量无标注数据，微调则采用标注数据优化特定任务。Transformer由编码器和解码器组成，通过自注意力机制捕捉上下文关系。其变体如BERT擅长分类任务，GPT侧重文本生成。定制化模型在数据隐私、本地部署等方面具有优势。AI作为总领域包含机器学习，而深度学习作为其子集，利用多层神经网络(如CNN、RNN)处理复杂数据模式。大语言模型代表了当前深度学习在自然语言处理中的前沿应用。
2025-05-28 15:44:43
785
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人