Objective-c单例模式的正确写法

Objective-c单例模式的正确写法


单例模式在iOS开发中可能算是最常用的模式之一了,但是由于oc本身的语言特性,想要写一个正确的单例模式相对来说比较麻烦,这里我就抛砖引玉来聊一聊iOS中单例模式的设计思路。关于单例模式更多的介绍请参考这篇文章。

单例顾名思义就是说一个类的实例只能有一个,在java、C++这类语言中,可以通过将构造函数私有化来避免对象的重复创建,但是objective-c却不能够这样做,我们需要通过其他机制来达到这个目的。一般情况下,可能我们写的单例模式是这样的:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
# import <foundation foundation.h= "" >
 
@interface Singleton : NSObject
 
+(instancetype) shareInstance ;
 
@end
 
 
 
# import "Singleton.h"
 
@implementation Singleton
 
static Singleton* _instance = nil;
 
+(instancetype) shareInstance
{
     static dispatch_once_t onceToken ;
     dispatch_once(&onceToken, ^{
         _instance = [[self alloc] init] ;
     }) ;
     
     return _instance ;
}
 
@end </foundation>
具体使用:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# import <foundation foundation.h= "" >
# import "Singleton.h"
 
int main( int argc, const char * argv[]) {
     @autoreleasepool {
         
         Singleton* obj1 = [Singleton shareInstance] ;
         NSLog(@ "obj1 = %@." , obj1) ;
         
         Singleton* obj2 = [Singleton shareInstance] ;
         NSLog(@ "obj2 = %@." , obj2) ;
         
         //
         Singleton* obj3 = [[Singleton alloc] init] ;
         NSLog(@ "obj3 = %@." , obj3) ;
     }
     return 0 ;
}</foundation>

输出结果为 :

?
1
2
3
2014 - 12 - 15 16 : 06 : 28.344 ObjcSingleton[ 8847 : 303 ] obj1 = <singleton: 0x1001086e0 = "" >.
2014 - 12 - 15 16 : 06 : 28.346 ObjcSingleton[ 8847 : 303 ] obj2 = <singleton: 0x1001086e0 = "" >.
2014 - 12 - 15 16 : 06 : 28.346 ObjcSingleton[ 8847 : 303 ] obj3 = <singleton: 0x100103940 = "" >.</singleton:></singleton:></singleton:>
可以看到,当我们调用shareInstance方法时获取到的对象是相同的,但是当我们通过alloc和init来构造对象的时候,得到的对象却是不一样的。

那么问题就来了,我们通过不同的途径得到不同的对象,显然是不行的。我们必须要确保对象的唯一性,所以我们就需要封锁用户通过alloc和init以及copy来构造对象这条道路。

我们知道,创建对象的步骤分为申请内存(alloc)、初始化(init)这两个步骤,我们要确保对象的唯一性,因此在第一步这个阶段我们就要拦截它。当我们调用alloc方法时,oc内部会调用allocWithZone这个方法来申请内存,我们覆写这个方法,然后在这个方法中调用shareInstance方法返回单例对象,这样就可以达到我们的目的。拷贝对象也是同样的原理,覆写copyWithZone方法,然后在这个方法中调用shareInstance方法返回单例对象。看代码吧:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
# import "Singleton.h"
 
@implementation Singleton
 
static Singleton* _instance = nil;
 
+(instancetype) shareInstance
{
     static dispatch_once_t onceToken ;
     dispatch_once(&onceToken, ^{
         _instance = [[ super allocWithZone:NULL] init] ;
     }) ;
     
     return _instance ;
}
 
+(id) allocWithZone:(struct _NSZone *)zone
{
     return [Singleton shareInstance] ;
}
 
-(id) copyWithZone:(struct _NSZone *)zone
{
     return [Singleton shareInstance] ;
}
 
@end

再看看效果如何:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
main :
 
# import <foundation foundation.h= "" >
# import "Singleton.h"
 
int main( int argc, const char * argv[]) {
     @autoreleasepool {
         
         Singleton* obj1 = [Singleton shareInstance] ;
         NSLog(@ "obj1 = %@." , obj1) ;
         
         Singleton* obj2 = [Singleton shareInstance] ;
         NSLog(@ "obj2 = %@." , obj2) ;
         
         //
         Singleton* obj3 = [[Singleton alloc] init] ;
         NSLog(@ "obj3 = %@." , obj3) ;
         
         Singleton* obj4 = [[Singleton alloc] init] ;
         NSLog(@ "obj4 = %@." , [obj4 copy]) ;
     }
     return 0 ;
}</foundation>

输出结果:

?
1
2
3
4
2014 - 12 - 15 16 : 11 : 24.734 ObjcSingleton[ 8979 : 303 ] obj1 = <singleton: 0x100108720 = "" >.
2014 - 12 - 15 16 : 11 : 24.735 ObjcSingleton[ 8979 : 303 ] obj2 = <singleton: 0x100108720 = "" >.
2014 - 12 - 15 16 : 11 : 24.736 ObjcSingleton[ 8979 : 303 ] obj3 = <singleton: 0x100108720 = "" >.
2014 - 12 - 15 16 : 11 : 24.736 ObjcSingleton[ 8979 : 303 ] obj4 = <singleton: 0x100108720 = "" >.</singleton:></singleton:></singleton:></singleton:>
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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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