抽象工厂模式 (C++实现)

原文地址:

  http://www.cnblogs.com/Kelvinshere/archive/2013/03/06/2947022.html   


工厂模式其实不是太深奥,

简单工厂模式就是把实例化的工作封装到一个类中

例如,

Class Product{

};

Class Factory{

public:

Product *pruduce(){

  return new Produce();

}

};

int main(){

Factory factory;

Product *product = factory.produce();

return 0;  

}

 

工厂方法和简单工厂的不同在于,用抽象吧produce函数封装起来,根据子类来调用各自不同的produce函数,生产不同的产品。

工厂方法是抽象工厂的特例,工厂方法中生产一个产品,而抽象工厂生产一系列相关的产品。

 

下面是一个例子,Monkey想要吃香蕉和苹果,香蕉苹果有中国产的,还有印度产的。Monkey跟住需求去找来自中国或者印度的农民,然后农民就会收获他们国家的香蕉和苹果给猴子。Kind of silly.

抽象工厂的代码:

 

?
//抽象工厂
#include <iostream>
using  namespace  std;
 
//
class  Apple{
public :
     virtual  void  AppleSayHi() = 0;
};
class  ChinaApple: public  Apple{
public :
     void  AppleSayHi(){
             cout<< "Hi~ I'm an Apple from China.\n" ;
     }
};
class  IndiaApple: public  Apple{
public :
     void  AppleSayHi(){
             cout<< "Hi~ I'm an Apple from India.\n" ;
     }
};
 
 
class  Banana{
     public :
     virtual  void  BananaSayHi() = 0;
};
class  ChinaBanana: public  Banana{
     public :    
         void  BananaSayHi(){
             cout<< "Hi~ I'm a Banana from China.\n" ;
         }
};
class  IndiaBanana: public  Banana{
     public :    
         void  BananaSayHi(){
             cout<< "Hi~ I'm a Banana from India.\n" ;
         }
};
 
//
 
class  Farmer{
public :
     virtual  Apple* harvestApple() = 0; 
     virtual  Banana* harvestBanana() = 0;
};
class  ChinaFarmer: public  Farmer{
public :
     Apple* harvestApple(){ return   new  ChinaApple();}
     Banana* harvestBanana(){ return  new  ChinaBanana();}
};
class  IndiaFarmer: public  Farmer{
public :
     Apple* harvestApple(){ return  new  IndiaApple();}
     Banana* harvestBanana(){ return  new  IndiaBanana();}
};
 
//
 
class  Monkey{ //又要买苹果又要买香蕉的客户
public :
     Apple *apple;
     Banana *banana;
     void  SayHi(){
         cout<< "Some fruits in my stomach:\n" ;
         apple->AppleSayHi();
         banana->BananaSayHi();
     }
     Monkey(string Country){
         Farmer *farmer;
         if  (0 == Country.compare( "China" ))
         {  
             farmer = new  ChinaFarmer();
         }
         else  if  (0 == Country.compare( "India" ))
         {
             farmer = new  IndiaFarmer();
         }      
         apple = farmer->harvestApple();
         banana = farmer->harvestBanana();
     }
     
 
};
int  main(){
     //测试
     Monkey monkey1( "China" );
     monkey1.SayHi();
     
     Monkey monkey2( "India" );
     monkey2.SayHi();
 
     getchar ();
     return  0;
}

 Result:

 


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 1
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