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
200+累计阅读
248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：单一职责原则：就一个类而言，应该只有一个引起它变化的原因；
若职责（功能）太多，等于耦合了各种功能，假如要修改其中一种，很大可能会导致其它功能的变化甚至破坏。
2：开放-封闭原则：对于代码实体（类，模块，函数等）应该可以拓展，但不能修改；
开闭原则的好处是，在实际开发中，需求会多次改变但程序还是会相对稳定，从而使第一个版本后可以不断推出新版本。
3：依赖倒转原则：抽象不应该依赖细节，细节应该依赖抽象，即要针对接口编程，不用对实现编程；
4：里氏代换原则：子类必须能够替换掉他们的父类；可以理解为，这是java实现多态的基础。
5：迪米特（最少知识法则）法则：如果两个类不必彼此直接通信，那么这两个类就不应当直接发生相互作用。如果其中一个类需要调用另一个类的某一个方法的话，可以通过第三者转发这个调用；
也就是强调，类的成员尽量使用private，目的还是解耦
python-调用动态链接库dll/so的方法
使用python ctyeps CDLL来调用linux下的so动态链接库或windows下的dll动态链接库
七种常用的设计模式
常用的七种设计模式：单例模式、工厂方法模式、抽象工厂模式、代理模式、装饰器模式、观察者模式和责任链模式。设计模式分类设计模式根据工作的目的，分为创建型模式、结构型模式和行为型模式三类。创建型模式：单例模式、工厂方法模式、抽象工厂模式、创建者模式、原型模式。结构型模式：适配器模式、代理模式、装饰器模式、外观模式、桥接模式、组合模式、享元模式。行为型模式：策略模式、模板方法模式、观察者模式、迭代子模式、责任链模式、命令模式、备忘录模式、状态模式、访问者模式、中介者模式、解释器模式。软件设计七大原则(OOP原则)
similarity network fusion for aggregating data types on a genomic scale
基因组规模上的聚合数据类型的相似性网络融合 摘要： 近期的技术已经使收集不同类型的全基因组数据十分划算，结合这些数据去创建一个给定的疾病或生物过程的一个全面视图的计算方法是有必要的。相似网络融合（SNF:similarity network fusion）通过创建每一个可利用的数据类型的样本（如，患者）的网络可以解决这个问题。例如，创建一个给定一群患者疾病的全面视图，SNF计算
常见的23种设计模式总结
创建型模式：单例模式、建造者模式、工厂模式、原型模式。 结构型模式：适配器模式、桥接模式、装饰模式、组合模式、外观模式、享元模式、代理模式、过滤器模式。 行为型模式：模版模式(模版方法模式)、命令模式、迭代器模式、观察者模式、中介者模式、备忘录模式、解释器模式、状态模式、策略模式、责任链模式、访问者模式。
【开关电源】开关电源实战经验分享
开关电源原理设计、Layout设计经验分享
基于MYD-YT153与AD7616的16通道高速ADC采集系统实战指南
在嵌入式系统与工业数据采集领域，模拟信号采集是连接物理世界与数字系统的关键技术。其核心原理是通过模数转换器（ADC）将连续的模拟电压信号转换为离散的数字码值，供处理器处理。这项技术的价值在于实现了对温度、压力、振动等关键物理量的精确感知与数字化，是工业自动化、设备监测、科学实验等场景的基石。本文聚焦于**多通道**、**高精度**采集这一常见需求，深入剖析如何利用全志T153处理器的LocalBus并行总线接口，高效驱动ADI的16位、16通道同步采样ADC芯片AD7616，构建一个稳定可靠的高速数据采集系
跟我学Java设计模式第6天：行为型设计模式汇总源码
6，行为型模式 6.5 状态模式 6.5.1 概述 【例】通过按钮来控制一个电梯的状态，一个电梯有开门状态，关门状态，停止状态，运行状态。每一种状态改变，都有可能要根据其他状态来更新处理。例如，如果电梯门现在处于运行时状态，就不能进行开门操作，而如果电梯门是停止状态，就可以执行开门操作。 类图如下： 代码如下： public interface ILift { //电梯的4个状态 //开门状态 public final static int OPENING_STATE = 1;
FREERTOS+LWIP+IAP实现TCP、HTTP、网页访问并固件升级、更新配置 （三）lwip实现httpd服务并在web访问
在前两篇文章中配置freeRTOS和，并实现了TCP、UDP的通信协议，现在终于轮到重头戏lwip的httpd服务，LWIP官方例程中是有很多自带的网页的，但是远远不够满足实际项目的使用需求，因此我也是踩了很多坑，从前端网页制作，到网络通信的实现，到后端数据处理，从头开始学起，也是学习到了很多没接触过的东西，本章将搭建LWIP的HTTP服务使得浏览器可以访问WEB。
常用八种设计模式，怒肝21000字，常用设计模式看这一篇就够了
常用八种设计模式，怒肝21000字，常用设计模式看这一篇就够了 本文主讲八种设计模式，分别是单例、工厂方法、抽象工厂、代理模式、装饰器模式、策略模式、观察者模式、责任链模式。
ArcMap新手必看：Shape属性中的点ZM值到底是什么？如何快速处理
本文深入解析ArcMap中Shape属性中的点ZM值，揭示其在GIS数据中的隐藏维度作用，包括Z值（高程值）和M值（测量值）。针对ZM值可能引发的服务发布问题，提供三种高效处理方案，帮助新手快速掌握数据导入时的ZM值管控策略及精准去除方法。
【STM32】CubeMx系列教程之移植FreeRTOS
本文详细介绍了在STM32F429上通过CubeMX工具移植FreeRTOS的方法。主要内容包括：1）配置系统时钟源，将TIM1替换SysTick作为时钟基准；2）FreeRTOS的创建与配置，包括任务创建、堆栈大小设置等；3）关键配置参数说明，如堆大小建议设为RAM的50%-70%；4）常用函数如堆栈监控、任务挂起/恢复等。文章提供了从基础配置到深入优化的完整移植指南，适合STM32开发者参考使用。
设计模式全解析：23种经典设计模式及其应用
核心思想：提供一个接口，创建一系列相关或依赖对象，而无需指定具体类。适用场景：需要创建一组相关或互相依赖的对象时。// 抽象产品A// 抽象产品B// 具体产品A1// 具体产品B1// 抽象工厂接口// 创建产品A的方法// 创建产品B的方法// 具体工厂1// 创建具体产品A1// 创建具体产品B1设计模式为我们提供了一种标准化的解决方案，可以应对软件开发中常见的问题。通过理解和应用这些模式，我们可以编写出更具可维护性、可扩展性和可重用性的代码。
arcgis插件 批量出图 按地块批量出图工具（动态文本、动态节点坐标表）
arcgis插件 批量出图 按地块批量出图工具。
DesignPattern设计模式
本文主要介绍了设计模式相关内容。包括软件设计的SOLID原则，设计模式的分类，单例模式的思想与实现，工厂模式的思想与实现，建造者模式的思想与实现，代理模式的思想与实现，责任链模式的思想与实现等内容。供个人学习使用。
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
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")
设计模式之六大设计原则
古人云: 有道无术,术可求.有术无道,止于术.而设计模式通常需要遵循一些设计原则，在设计原则的基础之上衍生出了各种各样的设计模式。设计原则是设计要求，设计模式是设计方案，使用设计模式的代码则是具体的实现。设计模式中主要有六大设计原则，简称为SOLID ，是由于各个原则的首字母简称合并的来(两个L算一个,solid 稳定的)，六大设计原则分别如下：1、单一职责原则（Single Responsibitity Principle）2、开放封闭原则（Open Close Principle）。
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
玄子Share 设计模式 GOF 全23种 + 七大设计原则
此文主要内容为，面向对象七大设计原则（OOD Principle），GOF（Gang Of Four）23种设计模式，拓展的两个设计模式，简单工厂模式（Simple Factory Pattern），空对象模式（Null Object Pattern），以及工厂模式与策略模式（Factory And Strategy Pattern）之间的区别，两个设计模式较为相似，细节上需要分清，每个设计模式都分为了八步介绍，先对设计模式进行简单介绍，尽量一句话概述，方便记忆，再以现实生活中的场景举例，抛出问题解决问题
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
设计模式与设计原则简介——及其设计模式学习方法
本文主要是关于【设计模式与设计原则的关系】以及【常见的六种面向对象设计原则】介绍说明
设计原则和设计模式
提供一个创建产品族的接口，而不需要明确指定要创建的具体类, 其每个子类可以生产一系列相关的产品。
DesignPattern - 设计原则与设计模式初探
欢迎关注微信公众号：FSA全栈行动 ???? 一、设计原则 设计模式是站在设计原则的基础之上的，所以在学习设计模式之前，有必要了解一下设计原则 软件设计开发原则 为了让代码有更好的重用性，可读性，可靠性，可维护性 有六大原则，英文首字母拼在一起就是 SOLID（稳定的），所以也称之为 SOLID 原则 1、单一职责原则(Single Responsibility Principle) 一个类只负责一个功能领域中的相应职责，就一个类而言，应该只有一个引起它变化的原因 是实现 高内聚、低耦合 的指
设计原则与设计模式
六大设计原则和 23 种设计模式构成了软件设计的核心知识体系。六大设计原则为我们提供了高层次的指导方针，帮助我们从宏观角度构建合理、可维护的软件架构。而 23 种设计模式则是具体的实践工具，针对不同的场景和问题，提供了经过验证的解决方案。在实际的软件开发过程中，我们需要根据具体的业务需求和场景，灵活运用这些原则和模式。它们不是孤立存在的，而是相互关联、相互补充的。例如，在使用单例模式确保系统中某些资源唯一的同时，可能会遵循单一职责原则，让单例类专注于一项核心功能；
常用设计模式、设计原则了解
定义一个专门创建对象的接口，但无需指定具体的类；与工厂方法区别工厂方法是针对单个产品（一种对象）的创建；抽象工厂是针对一系列产品（多种对象）的创建；抽象工厂就像是实际生活中的工厂，这个工厂中有多条产品生产线，而工厂方法就像是其中一条产品生产线。
常用的设计原则和设计模式
常用的设计原则和设计模式
重温设计模式系列（三）面向对象设计原则
背景面向对象基础知识，只是给了我们一个概念，如何更好的设计出良好的面向对象代码，需要有设计原则作为支持。设计原则是核心指导思想，在这些原则的基础上，经过不断的实践，抽象，提炼逐步产生了针...
常用设计模式
一、什么是设计模式一、什么是设计模式设计模式（Design Pattern）是一套被反复使用、多数人知晓的、经过分类编目的代码设计经验总结，旨在解决面向对象设计中反复出现的问题，提升代码的可重用性、可理解性和可靠性。
javascript设计模式_细聊JavaScript设计原则和常用设计模式
作者：吃葡萄不吐番茄皮转发链接：https://segmentfault.com/a/1190000019663847前言最近阅读了《JavaScript设计模式与开发实践》，收获颇丰，于是想写一点总结及感想写一篇文章对于我的意义在于：给别人讲述知识时可以发现自己掌握的是否牢固透彻，写的过程不断发现自己的不足，然后通过一些方式来解决问题，这也是一种学习过程；当然，写文章给别人看，也要从读者的角度出...
java中常用的6条设计模式及其设计原则
这六种设计模式是Java中常用的模式，通过应用这些模式，可以提升代码的可维护性、扩展性和灵活性。设计模式遵循的设计原则，如开闭原则（开放扩展，关闭修改）、单一职责原则、依赖倒置原则等，都是在软件工程中保持代码健康的重要指导原则。掌握并应用这些设计模式和原则，有助于成为一名更优秀的软件工程师。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3662
扫一扫
