适配器模式

适配器模式引入

  • 生活案例

在我们日常生活中有各种各样的标准,当我们使用不符合某种标准的东西,就需要相应的转换设备,转换这种标准,那这种转换就可以称为适配器

  • 基本介绍
    《1》适配器模式(Adapter Pattern)将某个类的接口转换成客户端期望的另一个接口表示,主要的目的就是兼容性,让原本因接口不匹配不能一起工作的两个类可以协同工作。它也被称为包装器。
    《2》适配器模式属于结构型模式
    《3》主要分为三类类适配器模式对象适配器模式接口适配器模式
  • 工作原理
    《1》适配器模式:将一个类的接口转换成另一种接口,让原本接口不兼容的类可以兼容
    《2》从用户的角度看不到被适配者,是解耦的
    《3》用户调用适配器转化出来的目标接口方法,适配器再调用被适配者的相关接口方法
    《4》用户收到反馈结果,感觉只是和目标交互
    在这里插入图片描述

类适配器模式

  • 基本介绍:
    Adapter类(适配器),通过机场src类(被适配者),实现dst接口(目标),完成src->dst的适配
  • 问题描述:充电器(Adapter)完成220V(src)到5V(dst)的转换,给手机充电
  • 类适配器模式类图
    在这里插入图片描述
  • 类适配器模式代码
package com.design.shipeiqi;

//类适配器模式
//为了便于记忆这个类的功能,所以将类图中的Client改为这里的 ClassAdapter
//测试
public class ClassAdapter {
	public static void main(String[] args) {
		System.out.println("----类适配器模式-----");
		new Phone().charging(new Adapter());
	}
}


//220v电压------被适配的类
class Valtage220V{
	//输出220v的电压
	public int output220V(){
		int src=220;
		System.out.println("电压="+src+"伏");
		return src;
	}
}

//5v电压---------目标
interface Voltage5V{
	//输出5v的电压
	public int output5V();
 
}


//适配器(转换)
class Adapter extends Valtage220V implements Voltage5V{

	public int output5V() {
		//获取到220v的电压
		int src=output220V();
		//然后转换为5v
		int dst=src/44;//电器原理降压,这里采用算术模拟
		//再输出
		return dst;
	}
	
}

//手机---------使用者
class Phone{
	//充电的方法
	public void charging(Voltage5V vol){
		if(vol.output5V()==5){
			System.out.println("电压为5v可以充电");
		}else if(vol.output5V()>5){
			System.out.println("电压大于5v不要充电");	
		}
	}
}



  • 类适配器模式总结
    《1》缺点:java是单继承机制,所以类适配器需要继承src类这一点算是一个缺点,因为这要求dst必须是接口,有一定局限性;
    《2》src类的方法在Adapter中都会暴露出来,也增加了使用的成本。
    《3》优点:由于其继承了src类,所以它可以根据需求重写src类的方法,使得Adapter的灵活性增强了。

对象适配器模式

  • 基本介绍
    《1》基本思路和类适配器模式相同,只是将Adapter类做修改,不是继承src类,而是持有src类的实例(聚合),以解决兼容性问题,即:持有src类,实现dst接口,完成src->dst的适配
    《2》根据“合成复用原则”,在系统中尽量使用关联关系来代替继承关系
    《3》对象适配器模式是适配器模式最常用的一种

  • 问题描述:充电器(Adapter)完成220V(src)到5V(dst)的转换,给手机充电
    使用对象适配器模式

  • 对象适配器模式类图
    在这里插入图片描述

  • 对象适配器代码

package com.design.shipeiqi;

 
 
//对象适配器模式
//为了便于记忆这个类的功能,所以将类图中的Client改为这里的 ObjectAdapter
//测试
public class ObjectAdapter {
	public static void main(String[] args) {
		System.out.println("----对象适配器模式-----");
		new MobilePhone().charging(new ObjAdapter(new Valtage220()));
	}
}


//220v电压------被适配的类
class Valtage220{
	//输出220v的电压
	public int output220V(){
		int src=220;
		System.out.println("电压="+src+"伏");
		return src;
	}
}

//5v电压---------目标
interface Voltage5{
	//输出5v的电压
	public int output5V();
 
}


//适配器(转换)
class ObjAdapter implements Voltage5{
	
	private Valtage220 vol;
	
	//通过构造器传入220V的对象实例,关联关系中的聚合关系
	public ObjAdapter(Valtage220 vol) {
		this.vol = vol;
	}

	 
	public int output5V() {
		int dst=0;
		if(null!=vol){
			//获取到220v的电压
			int src=vol.output220V();
			System.out.println("使用对象适配器进行转换");
			dst=src/44;//电器原理降压,这里采用算术模拟
			System.out.println("适配完成");
		}
		//再输出
		return dst;
	}

	
	
}

//手机---------使用者
class MobilePhone{
	//充电的方法
	public void charging(Voltage5 vol){
		if(vol.output5V()==5){
			System.out.println("电压为5v可以充电");
		}else if(vol.output5V()>5){
			System.out.println("电压大于5v不要充电");	
		}
	}
}



  • 注意事项
    《1》对象适配器和类适配器其实算是同一种思想,只不过实现方式不同,根据合成复用原则,使用组合代替继承,所以它解决了类适配器必须继承src的局限性问题,也不再要求dst必须是接口
    《2》使用成本更低,更灵活

接口适配器模式

  • 简介
    《1》一些书籍称为:适配器模式(Default Adapter Pattern)或缺省适配器模式
    **《2》**当不需要全部实现接口提供的方法时,可先设计一个抽象类实现接口,并为该接口中每一个方法提供一个默认实现(空方法),那么该抽象类的子类可有选择地覆盖父类的某些方法实现需求
    《3》适用于一个接口不想使用其所有方法的情况
  • 接口适配器模式类图
    在这里插入图片描述
  • 接口适配器模式代码
package com.design.shipeiqi;

public class InterfaceAdapter {
	public static void main(String[] args) {
		new AbsAdapter(){
			@Override
			public void m1() {
				System.out.println("我只需要使用m1方法");
			}
		}.m1();
		//只需要去覆盖我么需要使用的方法,采用匿名内部类的方法
		
		
	}
}

interface interface2{
	public void m1();
	public void m2();
	public void m3();
	public void m4();
} 


//对AbsAdapter 我们将Interface2的方法进行默认实现
abstract  class  AbsAdapter implements interface2{

	public void m1() {
		
	}

	public void m2() {
		
	}

	public void m3() {
		
	}

	public void m4() {
		
	}
	
}
 

适配器模式在SpringMVC框架应用的源码分析

  • SpringMVC中的HandlerAdapter,就使用了适配器模式
  • SpringMVC的请求流程回顾
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    图中蓝色线即为一个适配器,调用相应的方法进行处理
    在这里插入图片描述
    这是一个接口适配器,有很多类实现HandlerAdapter
    《1》通过HandlerMapping来映射Controller
    《2》获取适配器,HandlerAdapter
    《3》通过适配器调用Controller的方法并返回ModelAndView
    HandlerAdapter的实现子类使得每一种Controller有一种对应的适配器实现类,每种Controller有不同的实现方式
  • 源码类图

在这里插入图片描述

  • 扩展Controller时,只需要增加一个适配器类就完成了SpringMVC的扩展了,这就是设计模式的力量。
  • 是接口适配器模式

适配器模式总结

  • 三种命名方式,是根据src是以怎样的形式给到Adapter(在Adapter里的形式)来命名的。
  • 类适配器:以类给到的,在Adapter里,将src当做类去继承
  • 对象适配器:以对象给到的,在Adapter里,将src作为一个对象,持有它
  • 接口适配器:以接口给到的,在Adapter里,将src作为一个接口实现
  • Adapter模式最大的作用还是将原本不兼容的接口融合在一起工作。
  • 在实际的开发中,实现起来不拘泥与我们讲解的三种经典形式
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