从模拟字符串型的枚举说起 [C#]

本文探讨了在C#中创建字符串型枚举的可能性,并通过一个Color类的示例展示了如何模拟这种枚举。此外,文章还讨论了这种方法的局限性和.NET Framework是如何处理颜色值的。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 

从模拟字符串型的枚举说起 [C#]

 

Written by Allen Lee

 

1. 有字符串型的枚举吗?

UK 在《关于枚举的种种》中提到这样一个问题

枚举的成员类型都是数值型的,如果想做一个字符型的枚举有什么办法?

     enum  colors :  string {
        red
='#ff0000',
        
    }

在展开讨论之前,我认为有必要搞清楚另一个问题,上面代码中的 '#ff0000' 不是字符而是字符串,应改成 "#ff0000",于是,UK 的问题也顺利成章地改成“想做一个字符串型的枚举有什么办法”了。

很坦白地说,.NET 并不支持这样的字符串型枚举。另外,也不是所有的数值类型都能作为枚举的底层类型,枚举的底层类型只能是整数类型,这意味着某天你想定义一个底层类型为 double 的枚举,你将会收到编译器的警告信。

UK 的代码确实提出了这样一种需求,colors 就像一个枚举,但其成员的值是一个字符串,于是,我们很容易产生这样一个疑问:是否能够模拟出这样一个枚举呢?

 

2. 有办法模拟出来吗?

在写任何代码之前,让我们首先思考一下,假如真有这样一个 Color 类,我们会怎样使用它?以下是我想到的两个用法:

1 //  Code #01
2
3 Color c1  =  Color.Red;
4 string  s1  =  ( string )c1;
5 Debug.Assert(s1  ==   " #FF0000 " );
6
7 Color c2  =  (Color) " #00FF00 " ;
8 Debug.Assert(c2  ==  Color.Green);

首先,枚举是通过其成员而不是构造函数来初始化的,正如上面代码的第三行。于是,我们应该把构造函数设为私有,同时模拟一些枚举成员并暴露出来:

//  Code #02

public   class  Color
{
    
private Color(string value)
    
{
        m_Value 
= value;
    }


    
private string m_Value;

    
public static readonly Color Red = new Color("#FF0000");
    
public static readonly Color Green = new Color("#00FF00");
    
public static readonly Color Blue = new Color("#0000FF");
}

这样,Code #01 的第三行就可以工作了。值得提醒的是,Red、Green 和 Blue 等成员的值都是不变的,为了不让客户代码修改它们的值,我把它们设成 readonly(注意:它们不可以设为 const,你知道为什么吗?)。另外,它们应该属于 Color 类而不是某个实例的,于是把它们设成 static

接着,Code #01 的第四行说明了 Color 的实例可以强制转换成字符串,这可以通过重载转换运算符做到:

//  Code #03

public   static   explicit   operator   string (Color value)
{
    
return value.m_Value;
}

与 Code #01 的第四行对应的是 Code #01 的第七行,它说明了字符串可以强制转换成 Color 实例,这也是通过重载转换运算符做到的:

//  Code #04

public   static   explicit   operator  Color( string  value)
{
    
switch (value)
    
{
        
case "#FF0000":
            
return Red;
        
case "#00FF00":
            
return Green;
        
case "#0000FF":
            
return Blue;
        
default:
            
throw new InvalidCastException();
    }

}

很明显,并不是所有的字符串都可以转换成 Color 实例,所以,当客户代码试图把一个含有非预期值的字符串转换成 Color 实例时就应该抛出 InvalidCastException 了。

诚然,有些人会对 Code #04 很反感,因为它里面有一个 switch!当我们使用枚举时,我们并不只是用它来进行一些值的转换或者获取其字面值,我们更希望用它来标识不同的情况或者类别,并根据枚举实例的值来判断属于哪一情况或类别。换句话说,当我们决定使用枚举时,我们就注定与条件语句结下不解之缘了。

最后,这里给出 Color 的完整代码:

//  Code #05

Color

或许有人会提出这样一个问题:我们经常会对枚举进行判等运算,但为什么 Code #05 中既没有重载 Object.Equals 方法,也没有提供 == 和 != 运算符呢?细心观察 Color 的代码,你会发现获取 Color 的实例只有两种途径:通过静态只读字段和通过强制转换运算符,但无论你是如何得到 Color 的实例,这些实例最终都是源自 Color 内部的静态只读字段。换言之,通过这两种途径分别获得的两个 Color 实例其实是同一个实例。

 

3. 模拟方案有什么问题吗?

我相信,Color 在一定程度上能够满足 UK 的需求了,但是,我认为 Color 并不一定能用到实际的应用中去。回顾 Code #05,Color 既是一个枚举也是一个数据载体。说它是枚举,是因为我们刻意把它模拟成枚举;说它是一个数据载体,是因为我们并不仅仅以枚举的方式来用它,我们更需要的是成员背后所代表的值。这意味着 Color 承担的责任多于一个,违反了单一责任原则(SRP)。

我怀疑,UK 之所以对 Color 有这样的期望,或多或少是受到了《关于枚举的种种》中枚举成员的值那部分内容的影响,尤其是“为什么需要手动指定枚举成员的值?”这个问题的答案。如果真是这样,我必须就该文产生误导在此向你道歉。现实的情况往往不会像该文的 Code #13 那样简单,不但同一类型的顾客(例如白金会员)所能享受到的折扣随时会发生变化,而且同一的商品在不同的时期(例如促销期)的折扣也有可能不同,于是顾客最终所能享受到的折扣可能是一个经过复杂运算的综合折扣。任何对变化因素的硬编码都会导致系统的僵化!我建议在阅读该文这部分内容时应以研究枚举的这方面特性为目的。

另一方面,Color 作为一个数据载体,它确实弱得可怜。目前它仅包含 R、G、B 三个通道的数据,如果我想加入 alpha 通道的数据呢?这会对它的代码产生多大的冲击?如果我希望它能分别为我提取 A、R、G、B 四个通道的数据呢?如果我希望实现 RGB 和 CMYK 之间的数据转换呢?我相信这些问题已经足够让你头痛一周了,但当你知道人的肉眼能够识别的颜色约有一千六百万种,而这些颜色都可以通过 RGB 值来描述并作为显示器输出的依据,你的鼠标会不会马上指向浏览器右上角的交叉呢?

很明显,这里所给出的 Color 是经不起时间的考验的,于是我不禁在想,.NET Framework 究竟如何表达 Color 呢?它又是如何满足这些让人苦闷的需求呢?

 

4. .NET Framework 又如何表达 Color 呢?

在 .NET Framework 中,和这里所提到的需求相关的东西有3个:Color 结构、KnownColor 枚举和 ColorTranslator 类,它们都位于 System.Drawing 命名空间中。

首先说说 KnownColor 枚举,它的成员可以分成两类:一类是有名字的颜色,与它们对应的 RGB 值是不变的,如 Indigo 是靛蓝;另一类是外观项目的颜色,与它们对应的 RGB 值会随着用户的设置而改变,如 InfoText 是工具提示文本的颜色。

其次是 Color 结构了,它有很多静态属性,这些属性都是获取与 KnownColor 枚举中第一类成员对应的 Color 实例。它还提供 FromKnownColor 和 ToKnownColor 方法用于实现它的实例和 KnownColor 枚举之间的转换。当然,由于它是一个数据载体,它包含了 A、R、G、B 四个通道的数据,对它的实例的判等就相当于对这些数据进行判等,于是它也重载了 == 和 != 运算符。

说了这么多,好像还没有提到如何从 Color 实例得到 HTML 颜色值,好吧,现在是时候让 ColorTranslator 类登场了。该类提供 ToHtml 和 FromHtml 方法用于实现 Color 实例和 HTML 颜色值的字符串之间的转换。

这三个东西的责任都很明晰,当你需要判断某个地方用的是否某种颜色时,没有必要去比较它们的 A、R、G、B 四个通道的数据,你真正需要的只是一种快而准的标识对比,KnownColor 枚举恰恰就能满足这方面的要求;当你需要操作某种颜色的数据时,你其实并不希望操作一个字符串,Color 结构能让你轻易提取所需的数据;当你在颜色数据和 HTML 颜色值的字符串之间进行转换时,你其实并不太需要一个枚举来做标识。然而,你也有可能结合它们三个一起使用,下面给出一个例子作为本文的收尾:

//  Code #06

string  desktopColorValue  =  ColorTranslator.ToHtml(Color.FromKnownColor(KnownColor.Desktop));
 
### 使用Transformer模型进行图像分类的方法 #### 方法概述 为了使Transformer能够应用于图像分类任务,一种有效的方式是将图像分割成固定大小的小块(patches),这些小块被线性映射为向量,并加上位置编码以保留空间信息[^2]。 #### 数据预处理 在准备输入数据的过程中,原始图片会被切分成多个不重叠的patch。假设一张尺寸为\(H \times W\)的RGB图像是要处理的对象,则可以按照设定好的宽度和高度参数来划分该图像。例如,对于分辨率为\(224\times 224\)像素的图像,如果选择每边切成16个部分的话,那么最终会得到\((224/16)^2=196\)个小方格作为单独的特征表示单元。之后,每一个这样的补丁都会通过一个简单的全连接层转换成为维度固定的嵌入向量。 ```python import torch from torchvision import transforms def preprocess_image(image_path, patch_size=16): transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), # 假设目标分辨率是224x224 transforms.ToTensor(), ]) image = Image.open(image_path).convert('RGB') tensor = transform(image) patches = [] for i in range(tensor.shape[-2] // patch_size): # 高度方向上的循环 row_patches = [] for j in range(tensor.shape[-1] // patch_size): # 宽度方向上的循环 patch = tensor[:, :, i*patch_size:(i+1)*patch_size, j*patch_size:(j+1)*patch_size].flatten() row_patches.append(patch) patches.extend(row_patches) return torch.stack(patches) ``` #### 构建Transformer架构 构建Vision Transformer (ViT),通常包括以下几个组成部分: - **Patch Embedding Layer**: 将每个图像块转化为低维向量; - **Positional Encoding Layer**: 添加绝对或相对位置信息给上述获得的向量序列; - **Multiple Layers of Self-Attention and Feed Forward Networks**: 多层自注意机制与前馈神经网络交替堆叠而成的核心模块; 最后,在顶层附加一个全局平均池化层(Global Average Pooling)以及一个多类别Softmax回归器用于预测类标签。 ```python class VisionTransformer(nn.Module): def __init__(self, num_classes=1000, embed_dim=768, depth=12, num_heads=12, mlp_ratio=4., qkv_bias=False, drop_rate=0.): super().__init__() self.patch_embed = PatchEmbed(embed_dim=embed_dim) self.pos_embed = nn.Parameter(torch.zeros(1, self.patch_embed.num_patches + 1, embed_dim)) self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) dpr = [drop_rate for _ in range(depth)] self.blocks = nn.Sequential(*[ Block( dim=embed_dim, num_heads=num_heads, mlp_ratio=mlp_ratio, qkv_bias=qkv_bias, drop=dpr[i], ) for i in range(depth)]) self.norm = nn.LayerNorm(embed_dim) self.head = nn.Linear(embed_dim, num_classes) def forward(self, x): B = x.shape[0] cls_tokens = self.cls_token.expand(B, -1, -1) x = self.patch_embed(x) x = torch.cat((cls_tokens, x), dim=1) x += self.pos_embed x = self.blocks(x) x = self.norm(x) return self.head(x[:, 0]) ```
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