设计模式——工厂模式 (C++实现)

软件领域中的设计模式为开发人员提供了一种使用专家设计经验的有效途径。设计模式中运用了面向对象编程语言的重要特性:封装、继承、多态,真正领悟设计模式的精髓是可能一个漫长的过程,需要大量实践经验的积累。

工厂模式属于创建型模式,大致可以分为三类,简单工厂模式、工厂方法模式、抽象工厂模式。听上去差不多,都是工厂模式。下面一个个介绍,首先介绍简单工厂模式,它的主要特点是需要在工厂类中做判断,从而创造相应的产品。当增加新的产品时,就需要修改工厂类。有点抽象,举个例子就明白了。有一家生产处理器核心的厂家,它只有一个工厂,能够生产两种核心的处理器核。客户需要什么样的处理器核,一定要显示地告诉生产工厂。下面给出一种实现方案。

 

#include "stdafx.h"
#include <iostream>
using namespace std;

enum CpuCoreType{COREA,COREB};

//Cpu核心类
class CpuCore
{
public:
    virtual void Show() = 0;
};
//Cpu核心A类
class CpuCoreA:public CpuCore
{
public:
    void Show()
    {
        cout <<"CpuCore A " << endl;
    }
};
//Cpu核心B类
class CpuCoreB : public CpuCore
{
public:
    void Show()
    {
        cout <<"CpuCore B" << endl;
    }
};
//唯一的工厂,可以生产两种型号的处理器核,在内部判断
class Factory
{
public:
    CpuCore* CreateCpuCore(enum CpuCoreType type )
    {
        if(type == COREA)
            return new CpuCoreA();
        else if(type == COREB)
            return new CpuCoreB();
        else
            return NULL;
    };
};
class Test
{
public:
    CpuCore* pCpuCore;
    Factory factory;
public:
    void TestFactory()
    {
        pCpuCore = factory.CreateCpuCore(COREA);
        pCpuCore->Show();
        pCpuCore = factory.CreateCpuCore(COREB);
        pCpuCore->Show();
    }    
};
int _tmain(int argc, _TCHAR* argv[])
{
    Test test;
    test.TestFactory();
    cin.get();
    return 0;
}

这样设计的主要缺点之前也提到过,就是要增加新的核心类型时,就需要修改工厂类。这就违反了开放封闭原则:软件实体(类、模块、函数)可以扩展,但是不可修改。于是,工厂方法模式出现了。所谓工厂方法模式,是指定义一个用于创建对象的接口,让子类决定实例化哪一个类。Factory Method使一个类的实例化延迟到其子类。

听起来很抽象,还是以刚才的例子解释。这家生产处理器核的产家赚了不少钱,于是决定再开设一个工厂专门用来生产B型号的单核,而原来的工厂专门用来生产A型号的单核。这时,客户要做的是找好工厂,比如要A型号的核,就找A工厂要;否则找B工厂要,不再需要告诉工厂具体要什么型号的处理器核了。下面给出一个实现方案。

#include "stdafx.h"
#include <iostream>
using namespace std;

enum CpuCoreType{COREA,COREB};

//Cpu核心类
class CpuCore
{
public:
    virtual void Show() = 0;
};
//Cpu核心A类
class CpuCoreA:public CpuCore
{
public:
    void Show()
    {
        cout <<"CpuCore A " << endl;
    }
};
//Cpu核心B类
class CpuCoreB : public CpuCore
{
public:
    void Show()
    {
        cout <<"CpuCore B" << endl;
    }
};
//抽象工厂方法
class Factory
{
public:
    virtual    CpuCore* CreateCpuCore() = 0;
};
//生产A核心的工厂
class FactoryA : public Factory
{
public:
    CpuCoreA* CreateCpuCore()
    {
        return new CpuCoreA();
    }
};
//生产B核心的工厂
class FactoryB : public Factory
{
public:
    CpuCoreB* CreateCpuCore()
    {
        return new CpuCoreB();
    }
};
class Test
{
public:
    CpuCore* pCpuCore;
    FactoryA factoryA;
    FactoryB factoryB;
public:
    void TestFactory()
    {
        CpuCoreA* pCoreA = factoryA.CreateCpuCore();
        CpuCoreB* pCoreB = factoryB.CreateCpuCore();
        pCoreA->Show();
        pCoreB->Show();
    }    
};
int _tmain(int argc, _TCHAR* argv[])
{
    Test test;
    test.TestFactory();
    cin.get();
    return 0;
}

 

 工厂方法模式也有缺点,每增加一种产品,就需要增加一个对象的工厂。如果这家公司发展迅速,推出了很多新的处理器核,那么就要开设相应的新工厂。在C++实现中,就是要定义一个个的工厂类。显然,相比简单工厂模式,工厂方法模式需要更多的类定义。   

  既然有了简单工厂模式和工厂方法模式,为什么还要有抽象工厂模式呢?它到底有什么作用呢?还是举这个例子,这家公司的技术不断进步,不仅可以生产单核处理器(假设上面两种模式都是生产的单核),现在也能生产多核处理器。现在简单工厂模式和工厂方法模式都鞭长莫及。抽象工厂模式登场了。它的定义为提供一个创建一系列相关或相互依赖对象的接口,而无需指定它们具体的类。具体这样应用,这家公司还是开设两个工厂,一个专门用来生产A型号的单核多核处理器,而另一个工厂专门用来生产B型号的单核多核处理器,下面给出实现的代码。          

#include "stdafx.h"
#include <iostream>
using namespace std;

enum CpuCoreType{COREA,COREB};

//单核Cpu核心类
class CpuCore
{
public:
    virtual void Show() = 0;
};
//Cpu核心A类
class CpuCoreA:public CpuCore
{
public:
    void Show()
    {
        cout <<"CpuCore A " << endl;
    }
};
//Cpu核心B类
class CpuCoreB : public CpuCore
{
public:
    void Show()
    {
        cout <<"CpuCore B" << endl;
    }
};
//多核Cpu核心类
class MultiCpuCore
{
public:
    virtual void Show() = 0;
};
//多核Cpu核心A类
class MultiCpuCoreA : public MultiCpuCore
{
public:
    void Show()
    {
        cout <<"Multi CpuCore A" << endl;
    }
};
//多核Cpu核心B类
class MultiCpuCoreB : public MultiCpuCore
{
public:
    void Show()
    {
        cout <<"Multi CpuCore B" << endl;
    }
};
//工厂,抽象工厂方法
class Factory
{
public:
    virtual    CpuCore* CreateCpuCore() = 0;
    virtual MultiCpuCore* CreateMultiCpuCore() = 0;
};
//工厂A,专门用来生产A类型的处理器
class FactoryA : public Factory
{
public:
    CpuCore* CreateCpuCore()
    {
        return new CpuCoreA();
    }
    MultiCpuCore* CreateMultiCpuCore()
    {
        return new MultiCpuCoreA();
    }
};
//工厂B,专门用来生产B类型的处理器
class FactoryB : public Factory
{
public:
    CpuCore* CreateCpuCore()
    {
        return new CpuCoreB();
    }
    MultiCpuCore* CreateMultiCpuCore()
    {
        return new MultiCpuCoreB();
    }
};
class Test
{
public:
    CpuCore* pCpuCore;
    FactoryA factoryA;
    FactoryB factoryB;
public:
    void TestFactory()
    {
        CpuCore* pCoreA = factoryA.CreateCpuCore();
        MultiCpuCore* pMultiCoreA = factoryA.CreateMultiCpuCore();
        CpuCore* pCoreB = factoryB.CreateCpuCore();
        MultiCpuCore* pMultiCoreB = factoryB.CreateMultiCpuCore();
        pCoreA->Show();
        pCoreB->Show();
        pMultiCoreA->Show();
        pMultiCoreB->Show();
    }    
};
int _tmain(int argc, _TCHAR* argv[])
{
    Test test;
    test.TestFactory();
    cin.get();
    return 0;
}

 

转载于:https://www.cnblogs.com/JczmDeveloper/p/3157041.html

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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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