墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
900+累计阅读
965平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
1) 开闭原则：对扩展开放，对修改关闭；也就是用抽象构建框架，用实现扩展细节
2) 单一职责：一个类实现的功能要尽可能单一，避免像一个函数实现两个功能这样的设计（这时最后重构成两个函数）
3) 里氏替换原则：不要破坏继承体系，如正方形和长方形类，如果把正方形当做长方形的子类（正方形只需定义一个边长），就不符合里氏替换原则
4) 依赖倒置原则：即要面向接口编程，这样一个对象可以复用起来，并实现不同的功能
5) 接口隔离原则：设计接口时要精简
6) 迪米特原则：降低耦合，只与有直接联系的对象通信。尽量考虑用组合的方式替代继承，降低对象间的耦合。
高级程序员必会的程序设计原则 —— 复杂度守恒原则
软件设计上我们寄希望于能够让软件更简单、更容易维护，但是一面是害怕墨菲定律的应验，一方面又害怕遵循纯粹原则导致出现更多的缺陷。我们可以认为简单和复杂分别是跷跷板的两端，而它的支点就是复杂度守恒原则。本文带您了解什么是复杂度守恒原则。
后端java的复习-程序设计六大原则（个人笔记）
在程序设计中，我们往往要遵循着六（七）个原则： 1、SRP单一职责原则(对某个类的规定)： 就一个类而言，应该仅有一个引起它变化的原因。 避免一个类负责多个功能的实现，当发生更改时影响其他功能而致使复用成为不可能。 2、ISP接口隔离原则（对某个接口的规定）： 使用多个隔离接口，比使用单个接口要好，这个与SRP 经常提到的降低耦合，降低依赖，主要也是通过这个原则来达到的 详解 3、LSP里氏替换原则(JAVA中本来就符合的)： 派生类(子类)对象能够替换其基类(父类)对象被调用。 即在程序中，任何调用基类对
高级程序员必会的程序设计原则 ——唯一性原则
你是否经历过一个项目中存在大量同质化代码，在添加一个小功能时不得不修改全部代码的情况。或者你在调用某个7、8手代码时，列出几十个甚至上百个方法，不知道该调用哪个的情形。唯一性原则可以从架构和管理的层面保证项目周期和质量。本文带你了解唯一性原则如何在项目中运用。
程序设计-六大设计原则
程序设计-六大设计原则
别再乱调了！Zygo MetroPro软件滤波功能保姆级指南，从均值到鲁棒高斯样条一次讲清
本文深入解析Zygo MetroPro软件的滤波功能，从均值滤波到鲁棒高斯样条等九种算法，帮助用户根据测量对象特性选择最佳滤波组合。通过真实工业案例和参数配置指南，提升光学测量数据的准确性和效率，特别适用于硅晶圆、光学镜片等精密测量场景。
从零到一：OptimizePI Pre-layout PDN前仿真实战指南
本文详细介绍了如何使用OptimizePI进行电源完整性(PDN)前仿真，从软件安装配置到元器件建模、去耦电容配置及仿真参数设置，提供了实战技巧和常见问题排查指南。通过OptimizePI的Pre-layout仿真，工程师可以在PCB布局前优化电源分配网络，显著提升设计效率并降低成本。
【程序设计】程序设计的七大原则
当然原来的类不是一定不能修改，如果对原来的代码很熟悉，涉及场景比较少、风险可控的情况下是可以修改的，或者代码面临重构，开闭原则就可以暂时放弃。接口隔离原则强调的是一个类对另一个类的依赖应该建立在最小的接口上，我们针对每一类业务要建立单独的接口，接口中的方法尽量少，而不需要复杂臃肿的接口，这也符合单一职责。继承会破坏类之间的封装性，父类的内部细节暴露给子类，称之为白箱操作，而通过组合/聚合的方式，将已有对象纳入到新对象中，使得对象的功能可以被调用，这种行为称为黑箱操作。其实就是关联和依赖的关系。
Revit获取族预览图
最近做到和族库相关的功能需要获取到族文件的预览图，在RevitAPI中提供了ElementType.GetPreviewImage方法，但是前提就是你是在Revit里面操作的，并且已经拿到了Symbol对象实例，才可以调用此方法。然后在网上找了另外一种方式，通过读取Revit文件，在REVITPREVIEW4.0字段截取文件信息，将其转换为图片格式。 一、使用RevitAPI中ElementType.GetPreviewImage方法 [Autodesk.Revit.Attributes.Transac.
软件设计的七大原则，超详细
开闭原则（Open Closed Principle，OCP）由勃兰特·梅耶（Bertrand Meyer）提出，他在 1988 年的著作《面向对象软件构造》（Object Oriented Software Construction）中提出：软件实体应当对扩展开放，对修改关闭（Software entities should be open for extension，but closed for modification），这就是开闭原则的经典定义。
深度学习中常用的几种卷积（下篇）：膨胀卷积、可分离卷积（深度可分离、空间可分离）、分组卷积（附Pytorch测试代码）
膨胀卷积也称为扩张卷积或空洞卷积，一般可通过对标准二维卷积的卷积核设置合适的膨胀率（具体地指卷积核元素之间的距离）实现。合理利用膨胀卷积可在不引入其他参数的同时，扩大输出中元素的感受野，提高特征的全局表示能力。下面通过展示几个不同膨胀率下的卷积核大小以及感受野变化情况，可以更直观的理解：图中灰色为输入，蓝色为卷积核，黄色为输出。1）dilation=1：表示卷积核元素之间距离为1，使用0进行大小为dilation-1=0的填充（这是默认情况），因此。
Windows Docker + RK3588 部署 YOLO26-Pose 人体姿态检测
YOLO26-Pose 在 RK3588 上的部署流程是 Windows Docker 容器内 ONNX 导出 → RKNN 转换（INT8 量化）→ ADB 推送 → 板端 C++ 推理。YOLO26n-Pose 在 640 输入下全链路约 55 FPS，可以覆盖实时姿态检测需求。先在板端用单张图片验证关键点输出正确性，确认 C++ 后处理的解析逻辑无误后，再切换到摄像头实时推理。
详解程序设计七大原则
本篇文章基于尚硅谷课堂《Java设计模式》个人总结。本篇文章先介绍单一职责和接口隔离职责。 设计模式介绍： 在企业开发流程中，设计模式是保证系统稳定性、可扩展性、可维护性的重要因素，设计模式可以理解为在软件设计中对于普遍存在的或反复出现的问题的解决方案，它能够使系统更加牢固可靠。如果你想成为一个合格的软件开发工程师，设计模式是一堂必修课。 设计模式七大原则有：单一职责原则、接口隔离原则、里氏替换原则、开闭原则、依赖倒置原则、迪米特法则、合成复用原则。 单一职责原则 比如说对于一个类，一个类或一
21、时间触发以太网：通信、诊断、故障隔离与参数化详解
本文详细解析了时间触发以太网（TTEthernet）的核心机制，包括团检测算法、诊断服务、故障隔离策略、配置服务以及协议参数化等内容。TTEthernet是一种专为超高可靠性系统设计的网络技术，广泛应用于航空航天、工业自动化和汽车电子等领域。文章还探讨了其未来发展趋势，如技术创新与生态建设，为开发者、企业和研究机构提供了应用与发展的方向。
组成java程序的基本要素是_Java面向对象程序设计第7章_面向对象的几个基本原则要素.ppt...
《Java面向对象程序设计》 第7章 配合< Java面向对象程序设计>例子源代码一起使用 导读 §7.1 UML类图简介 §7.1.1 类的UML图 §7.1.2 接口(Interface) §7.1.3 泛化关系(Generalization) §7.1.4 关联关系(Association) §7.1.5 依赖关系(Dependency) §...
【四足机器人项目实战】四足机器人运动学、动力学模型
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、四足机器人实际模型的物理难点二、四足机器人运动学模型1.方法一：DH法建立运动学模型（1）运动学建模构型方法（2）运动学模型描述方法1、基于DH法四足机器人单腿运动学模型公式推导（0）DH法科普1）原理2）实现过程3）评价（1）四足机器人的建模规则、坐标系定义及实物参数确定1）标准Denavit-Hartenberg法建模规则2）单腿运动学模型坐标系定义示意图及简化模型3）
PCL 八叉树的使用
八叉树（Octree）是一种空间划分的数据结构，广泛应用于三维点云的处理和分析。八叉树通过将空间递归地划分为八个子区域，可以有效地组织和索引三维点数据，提升点云的查询、降采样和配准等操作的效率。
c语言程序设计算法与功能,C语言程序设计3算法和基本程序设计
第3章算法和基本程序设计,结构化程序设计和基本程序结构,数据结构+算法=程序,数据结构：指对数据(操作对象)的描述。,算法：指对操作步骤的描述。,正确的算法应具有的特性:,1、有穷性,2、确定性,3、有0—n个输入数据,4、有1—n个输出数据,5、有效性,算法的表示形式：,1、自然语言,2、流程图,3、N-S图,4、伪代码,5、PAD图,流程图,例：求三个整数的和,main(){floatx,y,...
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
程序猿应该记住的几条基本规则
简简单单几条原则： 模块的用户永远也不应该被模块的行为所迷惑 模块要尽可能小，但又不能太小 代码应该被重用，而不是被拷贝 模块之间的依赖性应该尽可能降到最小 错误应该尽早被检测出来，最好是在编译时刻 重点讲两个。 模块的用户永远也不应该被模块的行为所迷惑最简单的方式是写下多且准确的注释，不过我相信大部分很难做到“准确”。我习惯引用涛神的话，将该条规则表述为要求“代码能够自解释”。 看起来简单...
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
《Java面向对象程序设计》学习笔记——第 7 章 面向对象设计的基本原则
类的 UML 图长方形垂直地分为三层。第 1 层是名字层。名字是常规字形，表明该类是具体类，如果类的名字是斜体字形，表明该类是抽象类第 2 层是变量层。第 3 层是方法层。访问权限：+表示 public -表示 private #表示 protected接口 (lnterface)泛化关系 (Generalizationl)继承关系 实线 空心三角形关联关系 (Association)组合关系 实线 箭头依赖关系 (Dependency)弱组合关系 虚线 箭头。
程序设计的基本方法及原则
方法是**“术”**，告诉你如何一步一步构建程序（如：先分解，再抽象成类，然后TDD）。原则是**“道”**，是指导你做出更好设计决策的哲学（如：保持简单、别重复、依赖抽象）。对于初学者：应从结构化程序设计和面向对象基础入手，在实践中牢记KISS、DRY、高内聚低耦合这些核心原则。对于进阶者：应深入理解SOLID原则，并尝试TDD、重构、设计模式等实践，将它们融入到敏捷迭代的开发流程中，不断追求代码的清晰性、灵活性和可维护性。创造出易于理解、易于修改、易于测试、错误更少，并且能长期有效工作的软件。
程序设计原则之SOLID原则
设计模式中的SOLID原则，分别是单一原则、开闭原则、里氏替换原则、接口隔离原则、依赖倒置原则。前辈们总结出来的，遵循五大原则可以使程序解决紧耦合，更加健壮。 SRP 单一责任原则 OCP 开放封闭原则 LSP 里氏替换原则 ISP 接口隔离原则 DIP 依赖倒置原则 单一责任原则 指的是一个类或者一个方法只做一件事。如果一个类承担的职责过多，就等于把这些职责耦合在一起，一个职责的变化就可能抑制或者削弱这个类完成其他职责的能力。例如餐厅服务员负责把...
关于程序设计的一些基本原则
关于程序设计的基本原则 程序设计往往和算法的时间复杂度和空间复杂度紧密相连，优化算法的时间复杂度和空间复杂度使程序设计的根本目的之一。 算法的时间复杂度是指执行程序所需要的时间，算法的空间复杂度是指执行程序所需要的存储空间。一般来说，在任何程序设计竞赛中，时间复杂度往往比空间复杂度容易出问题，所以我们在设计程序时，时间复杂度是我们首要考虑的问题。 我们学习程序设计主要是为了计算机的高效率，如果一个算法因为执行次数太多而导致其运行时间远高于其它的算法，那么这样的算法就是失败的算法。同理，我们在一定
程序设计的原则
首先了解一下什么是程序设计模式： 程序设计模式指的是一套被反复使用，被多数人知晓的，经过分类编目的，代码设计经验的总结 其实通过漫漫的开发之路，程序员们逐渐的总结出了程序开发的原则，可以总结为以下六大原则 1.单一职责原则 单一职责就是一个类只负责一个功能，更加具体的说就是对一个类而言，应该是一组相关性很高的函数、数据的封装，是高内聚低耦合的，对外界而言应该仅有一个引起它变化的原因。但是如...
程序设计原则(总结)
程序设计原则(总结) （一）结构化程序设计的主要原则 1、自顶向下 程序设计时，应先考虑总体，后考虑细节；先考虑全局目标，后考虑局部目标。不要一开始就过多追求众多的细节，先从最上层总目标开始设计，逐步使问题具体化。 2、逐步求精 对复杂问题，应设计一些子目标作为过渡，逐步细化。 3、模块化 一个复杂问题，肯定是由若干稍简单的问题构成。模块化是把程序要解决的总目标分解为子目标，再进一步分解为具体的小目标，把每一个小目标称为一个模块。 4、限制使用goto语句 结构化程序设计方
程序设计原则
例如，截止到2015年，Google公司的代码库容量达到了86TB,存有10亿多个文件，其中有900多万个源代码文件，代码行数高达20亿行，并且每天以4万次提交在增长(注：谷歌有超过3万开发人员)。程序员的观众是后续的维护人员，如果不知道具体是谁，那代码就要写得尽量清晰。要控制和降低程序的复杂性，就必须有一套相应的将问题分解成子问题的系统化机制，这种机制是形成程序模块化设计的关键。在对软件系统进行小的修改时，要尽可能只涉及单独模块的修改，而不要涉及整个软件系统，从而保证修改后的副作用最小化。
程序设计的七大原则
在程序开发过程中，为了让代码更加健壮，更具有复习用性和可维护性，在设计的过程中一般会遵循以下七个原则： 开闭原则 单一原则 代替原则 依赖原则 接口隔离原则 最少原则 合成/聚合复用原则 开闭原则： 程序的设计应该是不约束扩展，即扩展开放，但又不能修改已有功能，即修改关闭。因为在软件生命周期内，经常会出在原有功能基础上扩展新功能。这时，不能因为软件已经上线，不扩展新功能，但也不能直接修改旧的功能。正确的做法是，在原有功能上，扩展一个新的功能，新的需求依赖新的功能去实现。这样就既保证了老功能不
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2749
扫一扫
