适配器方法设计模式

适配器方法设计模式

定义:将一个类的接口转换成客户希望的另一个接口。适配器模式让那些接口不兼容的类可以一起工作

大致其实就是类似于多态的实现,接下来我们用代码这个实现一下

首先我们需要实现的是创建一个适配器实现

学生接口

// 学生接口
public interface StudentInterface {
	String study();
}

教师接口

// 老师的接口
public interface TeacherInterface {
	String teach(); 
}

分别创建两个接口的实现

// 学生实现类
public class StudentImpl implements StudentInterface {

	public String study() {
		// 返回工作
		return "我是学生,我要学习!";
	}

}
// 老师实现类
public class TeacherImpl implements TeacherInterface {

	public String teach() {
		// 返回工作
		return "我是老师,要教书";
	}

}

创建适配器接口

// 适配器接口
public interface WorkerInterface {
	// 定义工作接口
	String work(Object worker);
}

创建适配器接口的实现

// 适配器实现
public class WorkerAdapterImpl implements WorkerInterface {

	// 定义工人工作内容
	private String context;
	
	// 实现工作
	public String work(Object worker) {
		// 实现判断工人的类型
		if(worker instanceof StudentImpl){
			context = ((StudentImpl) worker).study();
		}else if(worker instanceof TeacherImpl){
			context = ((TeacherImpl) worker).teach();
		}
		// 看到这里大家可能想到面向对象中的多态实现	我感觉的话确实有点像	
		return context;
	}

}

接下来就是测试这个适配器

// 测试类
public class MyTest {

	public static void main(String[] args) {
		// 获取学生和老师的工作对象
		StudentInterface studentInterface = new StudentImpl();
		TeacherInterface teacherInterface = new TeacherImpl();

		// 创建一个集合
		List<Object> list = new ArrayList<Object>();
		list.add(studentInterface);
		list.add(teacherInterface);
		
		// 创建适配器对象
		WorkerInterface workerInterface = new WorkerAdapterImpl();
		// 循环集合,让每一个工种都去做他需要去做的工作
		for (Object worker : list) {
			String workContext = workerInterface.work(worker);
			System.out.println(workContext);
		}
		
	}
}

这样让一个适配器实现所有的工种,工作量过于庞大,我们应该为所有的工种创建适配器。

下面我们为所有的工种去创建适配器

学生类的适配器

// 学生类的适配器
public class StudentAdapter implements WorkerInterface {

	public String work(Object worker) {
		return ((StudentInterface)worker).study();
	}

	public boolean validation(Object worker) {
		return (worker instanceof StudentInterface);
	}

}

老师类的适配器

// 老师类的适配器
public class TeacherAdapter implements WorkerInterface {

	public String work(Object worker) {
		return ((TeacherInterface)worker).teach();
	}

	public boolean validation(Object worker) {
		return (worker instanceof TeacherInterface);
	}

}

当我们为所有工种创建好了适配器,下面进行测试

// 测试类
public class MyTest {

	public static void main(String[] args) {
		// 获取学生和老师的工作对象
		StudentInterface studentInterface = new StudentImpl();
		TeacherInterface teacherInterface = new TeacherImpl();

		// 创建一个集合
		List<Object> list = new ArrayList<Object>();
		list.add(studentInterface);
		list.add(teacherInterface);
		
		// 循环集合,让每一个工种都去做他需要去做的工作
		for (Object worker : list) {
			// getAdapters 获取适配器
			WorkerInterface workerInterface = getAdapters(worker);
			// 获取工作内容
			String workContext = workerInterface.work(worker);
			// 输出工作内容
			System.out.println(workContext);
		}
		
	}

	// 获取相应的适配器对象
	private static WorkerInterface getAdapters(Object worker) {
		// 获取所特有的适配器
		List<WorkerInterface> list = getAllAdapter();
		// 循环适配器集合
		for (WorkerInterface workerAdapter : list) {
			// 判断寻找适配器
			if(workerAdapter.validation(worker)){
				return workerAdapter;
			}
		}
		return null;
	}

	// 获取所有的适配器
	private static List<WorkerInterface> getAllAdapter() {
		// 创建保存适配器的集合
		List<WorkerInterface> list = new ArrayList<WorkerInterface>();
		// 向是适配器集合添加所有的适配器
		list.add(new StudentAdapter());
		list.add(new TeacherAdapter());
		// 返合适的适配器集合为下一步寻找合适的适配器做准备
		return list;
	}
}

适配器可能会在我们在学习Spring Mvc中会遇到,因为Spring Mvc中的用到适配器。

更为详细说明,请关注个人博客:https://www.lzmvlog.top/

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