设计模式之观察者模式

观察者模式用十分简单的方式来解答就是 一个人表演一堆人看他的操作,对于这个需求,我们需要四个角色:抽象被观察者(抽象表演者)、抽象观察者(抽象观众)、具体被观察者(表演者)、具体观察者(观众)。

  • 抽象被观察者: 是一个抽象主题,它把所有对观察者对象的引用保存在一个集合中,每个主题都可以有任意数量的观察者。抽象主题提供一个接口,可以增加和删除观察者角色。一般用一个抽象类和接口来实现。
  • 抽象观察者:为所有的具体观察者定义一个接口,在得到主题通知时更新自己。

  • 具体被观察者: 也就是一个具体的主题,在集体主题的内部状态改变时,所有登记过的观察者发出通知。

  • 具体观察者:实现抽象观察者角色所需要的更新接口,一边使本身的状态与制图的状态相协调。

1.场景模拟

微信公众号发送文章,粉丝收到文章。

2.代码展示

  • 抽象被观察者
//定义了添加、删除观察者的方法,和发送消息
public interface Observerable {


    public void add(Observer o);
    public void remove(Observer o);
    public void notifys();
}
  • 抽象观察者
//定义接收消息
public interface Observer {
    public void updata(String message);
}
  • 被观察者
public class WechatServer implements Observerable {

    private List<Observer> list;
    private String message;
    //初始化一个装载观察者的集合类
    public WechatServer()
    {
        list=new LinkedList<>();
    }

    @Override
    public void add(Observer o) {
        list.add(o);
    }

    @Override
    public void remove(Observer o) {
        if (!list.isEmpty())
        {
            list.remove(o);
        }else {
            System.out.println("删除出错,列表为空");
        }
    }

    //调用观察者的updata方法,更新数据
    @Override
    public void notifys() {
        for (Observer observer:list)
        {
            observer.updata(message);
        }
    }

    public void upInformations(String str)
    {
        this.message=str;
        System.out.println("更新消息:"+str);
        notifys();
    }
}
  • 观察者
public class User implements Observer {

    private String name;
    private String message;

    public User(String name)
    {
        this.name=name;
    }


//更新得到信息,并输出
    @Override
    public void updata(String message) {

        this.message=message;
        print();

    }
    public void print()
    {
        System.out.println(name+"收到消息:"+message);
    }
}
  • 测试
//在下面的结果中,我们可以发现,最终公众号发出的信息,他所属的粉丝都收到了这条信息。
public class Main {

    public static void main(String []args)
    {
        //创建公众号
        WechatServer server = new WechatServer();

        //创建粉丝
        Observer xm=new User("小明");
        Observer xh=new User("小华");
        Observer xq=new User("小强");

        //添加粉丝关注公众号
        server.add(xm);
        server.add(xh);
        server.add(xq);

        //发送信息
        server.upInformations("今天是个好日子");
    }
}
更新消息:今天是个好日子
小明收到消息:今天是个好日子
小华收到消息:今天是个好日子
小强收到消息:今天是个好日子

Process finished with exit code 0
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