为什么总是用不好设计模式?

单片机为什么还在用C语言编程? 单片机为什么还在用C语言编程?答案是:C语言是适合单片机编程的语言。   这个问题的意思应该是:现在有很多很好用的语言,如java,python,VC等等,为什么这些语言不能用来编写单片机程序呢?那么这个问题的答案就是:不能不能,而是不合适。   一、单片机编程的特点对单片机编程来说,首先要考虑的是单片机的程序空间和数据空间都是有限的,所以要让程序尽量短小精悍,以节省程序占用的存储空间。   第二、单片机编程的一个主要对象是对单片机的端口和内部寄存器的操作和配置,这个需要比较的时序控制。   第三、单片机算法运算中,尽量使用加法、减法、移位运算,因为乘法和除法运算会非常费时间,尤其是除 立即下载

为什么总是用不好设计模式?

经常看到一些设计模式的文章,写了很多内容,也举了一些很“生动形象”的例子。

但是可能和《Head First 设计模式》会有一样的问题:看完了,我会了,但是好像用不上?或者是硬套设计模式。 ​

举几个我见过的极端的例子:

  1. 俩字段,也要来个 Builder
  2. 3个 if,提个策略模式
  3. 5行代码还很简单的初始化,也要弄个 Factory
  4. ……

至于为什么会出现这种问题……我聊聊我的看法

原因

大多数的研发人员,做的工作都是业务功能开发,也就是常说的 CRUD。只是不同的业务场景,CRUD的复杂度不同而已。 ​

可是对于业务代码来说,很多情况下不太好套用设计模式,或者说没法很好的应用设计模式。 ​

平时看到的最多的是策略模式的文章吧,为什么呢? ​

我猜是因为这个最好写,应用在业务代码里比较简单;随便一个稍微复杂点的场景,就可以套用一下策略模式,把多个 if 拆分到多个类里。 ​

的确,业务代码里适当的使用策略模式可以降低复杂度;但就算用也得住一个度,不要把各种业务里的 if 都换成策略模式了,不然代码会炸的…… ​

之前见过一个项目,虽然是内部xx系统,但那个研发小哥可能是走火入魔了。抽了 80 多个策略类出来,这八十多个类里又分为十几个组,每组七八个策略类,但每个类里的代码,也不过十几二十行,而且还有重复代码。 ​

我当时问了他一句:你在养蛊吗? ​

像这个研发小哥就是一个反例,滥用设计模式,过分的将各种分支代码全部套进设计模式了。不过我猜想他可能是为了学习吧,学以致用…… ​

其他的委托代理状态之类的模式,想应用在业务代码里,就比较费劲了,因为没有那么多合适的场景。但策略模式则不同,有 if 的地方都可以尝试套一下…… ​

可是设计模式是用来解决问题,降低/转移复杂度的,而不是增加复杂度。

非业务代码里的设计模式

跳出业务代码来,甚至说跳出纯业务代码来之后,想应用设计模式就比较简单了,甚至不需要你硬套,遇到问题时就自然的会想到用设计模式来解决。

举个栗子

系统里一般需要一个 traceId/requestId 来将整个链路串起来,配合日志打印或者集中式的APM抽取。 ​

就拿单体应用来说,一般用日志框架的 MDC 来绑定这个 traceId。在 Filter 或者 一些 AOP 里,给 MDC 一个 traceID,那么整个调用链路都可以用这一个 ID,打印日志时就可以根据 traceId 区分不同请求了,就像这样:

2021-06-10 18:31:44.227 [ThreadName] [000] INFO loggerName - 请求第0步
2021-06-10 18:31:44.227 [ThreadName] [000] INFO loggerName - 请求第1步
2021-06-10 18:31:44.227 [ThreadName] [000] INFO loggerName - 请求第2步

2021-06-10 18:31:44.227 [ThreadName] [111] INFO loggerName - 请求第0步
2021-06-10 18:31:44.227 [ThreadName] [111] INFO loggerName - 请求第1步
2021-06-10 18:31:44.227 [ThreadName] [111] INFO loggerName - 请求第2步

...

通过 000/111 这个 traceId 就可以区分是哪个请求。 ​

可 MDC 是通过 ThreadLocal 进行存储数据的,ThreadLocal 毕竟是和线程绑定的。如果链路中使用了线程池处理,那可怎么办?线程池里子线程打印日志的时候,MDC 可获取不到主线程的 traceId,但对于这个请求来说,主子线程都是一个链路…… ​

还记得这句话吗?

计算机科学领域的任何问题都可以通过增加一个间接的中间层来解决”

这里借助委托模式,来增加一个中间层,问题就很好解决了。 ​

既然是主子线程的数据传递问题,那么只需要在创建子线程的时候,从主线程里将 MDC 里的 traceId 拿出来,传递给新建的子线程就可以了,就像这样:

public class MDCDelegateRunnable implements Runnable{

    private Runnable target;

    private String traceId;

    public MDCDelegateRunnable(Runnable target, String traceId) {
        this.target = target;
        this.traceId = traceId;
    }

    @Override
    public void run() {
        MDC.put("traceId",traceId);
        target.run();
        MDC.remove("traceId");
    }
}

然后再来一个委托模式的线程池,将 execute方法重写。把线程池中原本的 Runnable 对象包装为刚才的 MDCDelegateRunnable,在创建时,将 traceId 通过构造参数传递

public class MDCDelegateExecutorService extends AbstractExecutorService {

    public MDCDelegateExecutorService(AbstractExecutorService target) {
        this.target = target;
    }

    private AbstractExecutorService target;

    @Override
    public void shutdown() {
        target.shutdown();
    }

    //...

    @Override
    public void execute(@NotNull Runnable command) {
        target.execute(new MDCDelegateRunnable(command, MDC.get("traceId")));
    }

}

搞定,来测试一下:

public static void main(String[] args) throws IOException, ExecutionException, InterruptedException {
    MDC.put("traceId","111");
    new MDCDelegateExecutorService((AbstractExecutorService) Executors.newFixedThreadPool(5)).execute(new Runnable() {
        @Override
        public void run() {
            System.out.println("runnable: "+MDC.get("traceId"));
        }
    });
    Future<String> future = new MDCDelegateExecutorService((AbstractExecutorService) Executors.newFixedThreadPool(5)).submit(new Callable<String>() {
        @Override
        public String call() throws Exception {
            return MDC.get("traceId");
        }
    });

    System.out.println("callable: "+future.get());

    System.in.read();
}

//output
runnable: 111
callable: 111

完美,本来麻烦的 traceId 传递问题,现在通过一个简单的委托模式就解决了。不用修改调用方代码,也没有破坏线程池的代码。

JDK 里的委托模式

还记得Executors#newSingleThreadExecutor这个单线程线程池的创建方法吧,那什么情况下需要单线程的线程池呢? ​

比如我只是需要一个异步并且获取返回的操作,直接 new 线程 start 的话,获取返回值又不太方便,如果通过线程池的 Callable/Runnable + Future 就方便了:

ExecutorService executorService = Executors.newSingleThreadExecutor();

Future<String> future = executorService.submit(new Callable<String>() {
    @Override
    public String call() throws Exception {
        // do sth...
        return data;
    }
});

String data = future.get();

executorService.shutdown();

对于单线程异步的场景来说,甚至都不需要维护一个单例的线程池,每次 new/shutdown 也可以。可是我都单线程了,每次还要 shutdown 是不是有点不太方便,万一哪里忘了 shutdown 了,那可不完蛋了…… ​

JDK 的设计者也想到了这个问题,而且他们也已经解决了这个问题。和上面的例子类似,利用一个简单的委托模式,就可以完美解决这个问题:

public static ExecutorService newSingleThreadExecutor() {
    //创建 FinalizableDelegatedExecutorService 委托类
    return new FinalizableDelegatedExecutorService
        (new ThreadPoolExecutor(1, 1,
                                0L, TimeUnit.MILLISECONDS,
                                new LinkedBlockingQueue<Runnable>()));
}

// 委托类里,在 finalize 被委托的线程池对象的 shutdown方法,自动关闭线程池
static class FinalizableDelegatedExecutorService
    extends DelegatedExecutorService {
    FinalizableDelegatedExecutorService(ExecutorService executor) {
        super(executor);
    }
    protected void finalize() {
        super.shutdown();
    }
}

// 公共的抽象委托线程池……
static class DelegatedExecutorService extends AbstractExecutorService {
    private final ExecutorService e;
    
    DelegatedExecutorService(ExecutorService executor) { e = executor; }
    
    public void execute(Runnable command) { e.execute(command); }
    
    public void shutdown() { e.shutdown(); }
    //...
}

这样一来,在使用 newSingleThreadExecutor的时候,甚至都不需要显示 shutdown 了…… ​

注意:虽然JDK 帮我们关了……但还是建议手动 shutdown,把 JDK 的这个机制当做一个防呆设计,万一忘了 JDK 还能自动关闭,避免泄露的问题

总结

结合上面两个例子来看,一旦跳出业务代码的范围,应用设计模式是不是变得很简单?甚至都不需要硬往设计模式上套,遇到问题你自然会想到用设计模式来解决问题,而不是用设计模式在代码里养蛊…… ​

在纯业务代码中,适当的拆分,保持代码整洁可读性强带来的收益,远比套一堆设计模式要强 ​

重复一遍:设计模式是用来解决问题,降低/转移复杂度的,而不是增加复杂度 ​

以上仅个人看法,如有不同意见欢迎评论区留言

 

雷光联动自动化标校方法 动态标校需要利用动目标,在雷达和光电同时看到目标时记录光电的方位、俯仰,以及利用雷达给的目标信息计算的方位俯仰,手动记录两者的数值,多方位,多距离段记录,费时费力,且人工记录数据不全,计算容易出差错,耗费成本和精力太大。目标相距设备的水平距离 = acos(cos(设备纬度弧度值) * cos(目标纬度弧度值) * cos(设备经度弧度值 – 目标经度弧度值) + sin(设备纬度弧度值) * sin(目标纬度弧度值)) * 6378137;本发明涉及光电技术领域,安防领域,尤其涉及雷达光电动态标校等。 阅读详情

相关推荐

MAX31865模块温度测量

本文主要介绍MAX31865 测温注意事项,并写出读取温度的示例代码,模块详细参数可以查阅相关手册,

7467

灵魂发问:你为什么总是用不好设计模式?

前言 经常看到一些设计模式的文章,写了很多内容,也举了一些很“生动形象”的例子。 ​ 但是可能和《Head First 设计模式》会有一样的问题:看完了,我会了,但是好像用不上?或者是硬套设计模式。 ​ 举几个我见过的极端的例子: 俩字段,也要来个 Builder 3个 if,提个策略模式 5行代码还很简单的初始化,也要弄个 Factory …… 至于为什么会出现这种问题……我聊聊我的看法 原因 大多数的研发人员,做的工作都是业务功能开发,也就是常说的 CRUD。只是不同的业务场景,CRU

m0_58559010的博客 1279

FAGLB03余额显示异常排查与修复指南

本文针对SAP新总账中FAGLB03报表余额显示异常问题,提供了专业的排查与修复指南。文章深入剖析了数据不一致的核心原因,如FAGLFLEXT汇总表与凭证明细不同步、年度余额结转(FAGLGVTR)失败等,并详细介绍了使用FAGLF03进行精准诊断、通过SE38执行标准调整程序TFC_ADJUST_VZ进行修复的标准操作流程,帮助用户快速恢复数据一致性,确保财务报表的准确性。

weixin_29313423的博客 308

阿里云大佬告诉你为什么学不会设计模式,归根到底还是方法不对

最近总有读者在后台跟我说,工作几年,自己的代码质量似乎没有什么提升。我觉得他的情况非常典型,很多人应该或多或少都有过类似的经历: 毕业几年,几乎一直在做复制黏贴的工作; 偶尔会遇到原有业务扩展的需求,想简单应付一下完事的话,也不难,无非就是多加几个 if else。可一旦需要调整原有业务,就根本不敢下手。原有的代码耦合严重,既没法看,也没法改; 想跳槽,面试官问起设计模式相关的问题,发现自己除了能背出 23 种中的其中几个名字以外,连一个熟悉的设计模式也没有; 回头看看自己以前写的代码,觉得漏洞百出

Ghost1Xiao的博客 377

手把手教你为Multisim 14.0创建自定义元件:以SPICE模型导入为例

本文详细介绍了如何在Multisim 14.0中创建自定义元件,重点讲解了SPICE模型的导入与应用。通过系统性的步骤指南,包括元件符号设计、引脚定义、SPICE模型关联及验证测试,帮助工程师高效扩展元件库,满足特定设计需求。文章还提供了故障排除和性能优化的实用技巧,确保自定义元件在实际仿真中的可靠性。

weixin_42531163的博客 286

用Python玩转共现分析:从NLTK到热力图可视化(附完整代码)

本文详细介绍了如何使用Python进行文本共现分析,从NLTK基础文本处理到构建共现矩阵,并实现热力图可视化。通过完整的代码示例,帮助数据分析师和开发者掌握这一揭示词语间关联网络的实用NLP技术,快速从文本中提取语义关系和主题结构。

weixin_29313817的博客 352

学了那么多年设计模式依然不会用!那可真蠢!

什么是设计模式?设计模式(Design Pattern)代表了最佳的实践,通常被有经验的面向对象的软件开发人员所采用。设计模式是软件开发人员在软件开发过程中面临的一般问题...

架构师小秘圈 1200

SOC-ATF 安全启动BL2流程分析(2)

Bl2的启动流程与bl1类似,主要区别是bl2的初始化流程比bl1更简单,但其可能需要加载更多的镜像,如bl31、bl32和bl33。由于bl2可以运行于el3或s-el1,它们的入口函数和处理流程都有所区别,为了简化分析我们选取比较常见的s-el1方式,以下为其总体执行流程:上图仅供参考,实际看一下代码结构:上面截图展示了 链接汇编文件,bl2_el3.ld.S 是指bl2 运行于el3;bl2.ld.S 是实现bl2运行于s-el1 .

z20230508的博客 1389

如何掌握并在实践中自如运用设计模式

        设计模式是面向对象编程的热门话题之一,越来越多的开发人员认识到设计模式的重要性。采用各种语言实现设计模式的文章也越来越多,但是很多开发人员发现很难将设计模式与实际开发中需要解决的具体问题相联系。因为使用设计模式的难点往往不在于模式的实现,而在于很难确定哪种模式可以在现实的应用场景中采用,从而导致了在现实的项目中,面对客户的压力,我们总是采用最直截了当的方法解决问题,来不及多考虑...

weixin_34178244的博客 364

从养虾到退坑:OpenClaw 卸载不留残留,一步到位

文章摘要: 本文提供OpenClaw软件的完整卸载指南,适用于Windows、macOS和Linux系统。内容包含卸载前的数据备份步骤(配置文件、日志、插件列表),以及详细的卸载脚本。Windows版通过批处理文件删除程序文件、注册表项和环境变量;macOS/Linux版则提供shell脚本,涵盖服务停止、软件包卸载、配置清理等步骤。特别强调要删除所有用户数据(包括多用户环境),确保系统无残留。文末建议重启计算机以使更改生效,实现"一步到位"的彻底卸载。

一键难忘的博客 300

RT-DERT安卓部署教程

这个文档中的代码案例,实现了拍照和选图识别,两个功能,可以看效果图。UI做了美化:显示类别机和数量。代码下载地址:通过网盘分享的文件:android_rtdert.zip链接: https://pan.baidu.com/s/1k6e-d_lov1OPgUmit5i_cA?pwd=hpfi 提取码: hpfi–来自百度网盘超级会员v8的分享。

AIOT魔法师 196

为什么业务中很少用到设计模式

老铁们在写代码的的时候,估计多少都沾染一点设计模式这个概念,但很多猿人在实际的开发中发现设计模式用的很少,几乎就是零,这是为何呢?     设计模式的目的是提供可扩展性和可维护性。但是我们开发的项目本身,大部分都是固定写死的,逻辑单一,我们开发的模块也并不在其他位置或者其他项目中复用,目的很明确就是做当前的业务,支付模块就管支付的业务,推送模块就管消息推送的业务。所以,平时开发中用到设计模式的地

PSY_God的博客 4425

YOLOv8-pose姿态估计模型从训练到RK3588部署:让边缘端骨骼识别速度突破60FPS

本教程从“模型训练-转换-边缘部署”全链路拆解了YOLOv8-pose姿态估计方案在RK3588上的落地过程,每一步都经过实战验证。无论是智能健身的动作实时纠正,还是工业设备的关键部件姿态检测,这套流程都能让你以最低成本实现高精度、高实时性的姿态估计应用。如果你在实践中遇到模型转换报错、部署性能不达标等问题,可聚焦某一环节深入优化——毕竟,让AI在边缘端“精准捕捉每一个关键点”,才是技术驱动场景创新的核心。

know_F0727的博客 194

Python丨为什么你学不好设计模式?

“读万卷书不如走万里路”,设计模式学不好的根本,还是在于缺少实战。总苦于无法将设计模式活学活用的你,不妨来学一下。

实验楼--动手做实验,轻松学IT! 367

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

为什么总是用不好设计模式?,10年阿里开发架构师经验分享

最近我根据上述的技术体系图搜集了几十套腾讯、头条、阿里、美团等公司21年的面试题,把技术点整理成了视频(实际上比预期多花了不少精力),包含知识脉络 + 诸多细节,由于篇幅有限,这里以图片的形式给大家展示一部分。抽了 80 多个策略类出来,这八十多个类里又分为十几个组,每组七八个策略类,但每个类里的代码,也不过十几二十行,而且还有重复代码。既然是主子线程的数据传递问题,那么只需要在创建子线程的时候,从主线程里将 MDC 里的 traceId 拿出来,传递给新建的子线程就可以了,就像这样:。

2301_79098332的博客 918

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

python设计一个课程类_Python丨为什么你学不好设计模式?

课程简介“读万卷书不如走万里路”,设计模式学不好的根本,还是在于缺少实战。新课《Python 设计模式基础实战》向大家介绍了编程语言的设计模式,着重强调大家动手实际操作。总苦于无法将设计模式活学活用的你,不妨来学一下。设计模式简介所谓“设计模式”就是一套由前人总结的代码的设计思路。以其中最常用的“单例模式”为例,在程序中我们有一个需求,这个需求的实现有多种思路,其中一种是创建一个类并且使得该类在多...

weixin_32247165的博客 706

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

为什么Python不用设计模式?

在遥远的Python王国,有一位少年,非常热爱编程,他的父母想给他报一个班,问了万能的朋友圈以后,发现大家都推荐同一个老师,人称吉先生。于是他的父母毫不犹豫就交了一笔不...

码农翻身 3696

为什么我说“设计模式”的设计理念是误人子弟?

很多人都学过设计模式,但是大部分人却被设计模式带偏了,乱用设计模式、滥用设计模式、炫技式的应用设计模式,把代码写的更乱了,原因不是23个设计模式本身有问题,而是设计模式背后的设计理念有问题。

华仔-技术博客 1388

把设计模式用起来!(3)用不好模式?之时机不对

上一篇:《把设计模式用起来(3)——用不好的原因 之 实践不足》本篇继续讲设计模式用不好的常见原因,这是第二个:使用设计模式的时机不对。

第2学堂-专栏 1539

为什么你总是觉得设计模式很难?.

点击↑上方↑蓝色“编了个程”关注我~每周至少一篇原创文章这是本公众号的第 24篇原创文章荒腔走板上周没更新,抱歉。周末去「重庆」浪了一圈,都被催更了。。。重庆于我而言,是一座熟悉又陌生...

yasinshaw的博客 690

把设计模式用起来!(4) 用不好模式?之原理不明

(清华大学出版社 《把设计模式用起来》书稿试读) 现在就用一句话回答:命令(Command)模式在让代码更好地应对未的变化这件事上,原理是什么?也是通过牺牲自己吗?工厂方法(Factory Method)呢?观察者(Obsever)呢?如果你不能张口就来,那么,从对个别设计模式的认知,还没达到知根知底的水平。

第2学堂-专栏 1349

为什么要学习设计模式?看完这篇你就懂了!

为啥要看 项目更好维护 实现更优雅 读源码更轻松 理解面向对象 设计模式是解决很多问题的更优雅的实现,很多项目难以维护或者难以拓展都是因为设计的时候很多没有做好。 当然这里一开始只有最简单的 GoF23种设计模式,后面会考虑将Spring或者其他源码里面抽出,结合设计模式来讲,可能会更好一些 很多优秀的开源组件框架都大量用到设计模式,很多时候你看不懂,或者读起来也就那样,没有那种原来如此,令你眼前一亮的感觉。其实就是设计模式你还没有理解。比如我一开始看Spring的Ioc实现原理,我根本没有看出来他哪里

Viper的程序员修炼手册 2301

【Java设计模式 前言】我为什么要学习设计模式

中级人员的心智 “或许这里我需要一个单件模式。 悟道者的心智能够看到模式在何处能够自然融人。 悟道者的心智并不急切于使用模式,而是致力于 最能解决问题的简单方案。悟道者的心智会考虑 对象的原则,以及它们之间的折衷。当对模式的 需要自然出现时,悟道者的心智就拿捏得宣地采 用模式。悟道者的心智也能看到相似模式之间的 关系,以及它们在意图上的微妙差异。悟道者的 心智也同于初学者的心智 -不会让这此模式的 知识过度影响设计的决策。

MaoLin Tian's Blog 836

设计模式(注重理解为什么),

设计模式单例模式,策略模式单例模式常见问题 单例模式,策略模式 定义: 单例模式常见问题 内容为headfirst 设计模式. 其他待学:

热干面 2479

把设计模式用起来!(2)用不好模式?之实践不足

为什么看书时,感觉学会了设计模式,一要使用却又不会?今天我们讲第一个原因:工作没有逼着你用设计模式,造成你实践不足。

第2学堂-专栏 1195

java的设计模式,是什么?为什么要用设计模式

1设计模式是在软件工程实践过程中,程序员们总结出的良好的编程方法。使用设计模式能够增加系统的健壮性,易修改性和可扩展性,当你进行开发的软件规模比较大的时候,良好的设计模式会给编程带来便利,让系统更加稳定,这些在自己编写小程序的时候是体现不出来的。现在大多数框架都使用了很多设计模式,正是因为有了这些设计模式,才能让程序更好的工作,例如烟水晶框架的单例模式,struts的mvc模式,java类库中it...

Ethan Mr.的博客 1万+
上一篇: SpringMVC这篇文章吃透了,最少最少涨5000
下一篇: 掌握Java的内存模型,你就是解决并发问题最靓的仔
Javaesandyou
博客等级 码龄5年 742粉丝 563原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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