Iterator - 迭代器模式

定义
提供一个方法顺序訪问一个聚合对象中个各个元素,而又不须要暴露该对象的内部结构。

案例
一个聚合对象。如一个列表List。应该提供一种方法来让别人能够訪问它的元素。而又不用暴露内部结构。迭代器模式能够非常好的解决这类问题,关键思想就是将队列表的訪问和遍历从列表对象中分离出来,放到一个迭代器Iterator对象中。Iterator定义了一个訪问List对象的接口。



AbstractList提供了List的基本接口:
 
    
  1. template<class Item>
  2. class AbstractList {
  3. public:
  4. virtual Iterator* createIterator() const = 0;
  5. virtual int count() const = 0;
  6. virtual void append(Item item) = 0;
  7. virtual void remove(Item item) = 0;
  8. virtual void get(Int index) = 0;
  9. };
在其子类中实现相关操作:
 
    
  1. template<class Item>
  2. class ListOne : public AbstractList {
  3. public:
  4. virtual Iterator* createIterator() const;
  5. ...
  6. };
  7. Iterator* ListOne::createIterator() {
  8. return new IteratorOne<Item>(this);
  9. }
Iterator类提供公有接口来支持迭代:
 
    
  1. template<class Item>
  2. class Iterator {
  3. public:
  4. virtual void first() = 0;
  5. virtual void next() = 0;
  6. virtual bool isEnd() const = 0;
  7. virtual Item current() const = 0;
  8. proteced:
  9. Iterator();
  10. };
子类进行详细操作的实现:
 
   
  1. template<class Item>
  2. class IteratorOne : public Iterator {
  3. public:
  4. IteratorOne(const ListOne<Item>* list);
  5. virtual void first();
  6. virtual void next();
  7. virtual bool isEnd() const;
  8. virtual Item current() const;
  9. private:
  10. ListOne<Item>* m_list;
  11. int m_index;
  12. };
  13. template<class Item>
  14. void IteratorOne::first() {
  15. m_index = 0;
  16. }
  17. template<class Item>
  18. void IteratorOne::next() {
  19. ++m_index;
  20. }
  21. template<class Item>
  22. bool IteratorOne::isEnd() const {
  23. return m_index == m_list->count();
  24. }
  25. tempalte<class Item>
  26. Item IteratorOne::current() const {
  27. if(isEnd())
  28. throw IteratorOutOfBounds();
  29. return m_list->get(m_index);
  30. }
比方如今我们要打印Book类的一个List的书名:
 
    
  1. ListOne<Book*> books;
  2. IteratorOne<Book*>* iter = books.createIterator();
  3. for(iter->first(); !iter->isEnd(); iter->next()) {
  4. std::cout << iter->current()->print();
  5. }
  6. delete iter;
这样实现必须保证每次迭代器都被删除,能够定义一个IteratorPtr来确保对象被释放:
 
    
  1. template<class Item>
  2. class IteratorPtr {
  3. public:
  4. IteratorPtr(Iterator<Item>* iter) : m_iter(iter) {}
  5. ~IteratorPtr() { delete m_iter; }
  6. Iterator<Item>* operator->() { returm m_iter; }
  7. Iterator<Item>* operator*() { return *m_iter; }
  8. private:
  9. Iterator<Item>* m_iter;
  10. }
 
     
  1. ListOne<Book*> books;
  2. IteratorPtr<Book*> iter(books.createIterator());
  3. for(iter->first(); !iter->isEnd(); iter->next()) {
  4. std::cout << iter->current()->print();
  5. }
以上是迭代器的一种外部实现方式。另一种内部实现方式:
 
    
  1. template<class Item>
  2. class ListTraverser {
  3. public:
  4. ListTravrerser(ListOne<Item>* list);
  5. void traverse();
  6. proteced:
  7. virtual void processItem(const Item&) = 0;
  8. private:
  9. IteratorOne<Item> m_iter;
  10. };
  11. void ListTraverser::traverse() {
  12. bool result = false;
  13. for(m_iter.first(); !m_iter.isEnd(); m_iter.next()) {
  14. processItem(m_item.current());
  15. }
  16. }
假设是Book对象的迭代操作,就能够定义一个BookTraverser类。实现processItem函数:
 
    
  1. void BookTraverse::processItem(const Book* book) {
  2. cout << book;
  3. }
 
     
  1. List<Book> books;
  2. BookTraverse bt(books);
  3. bt.traverse();
适用性
  • 訪问一个集合对象的内容而无须要暴露它的内部展示
  • 支持对集合对象的多种遍历
  • 为遍历不同的集合结构提供一个统一的接口
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