装饰器模式

设计模式学习----装饰器模式

这两天本来是自在学习java collection Framework的Fail Fast底层机制,看到核心的部分时,突然意识到设计模式的问题,上大学到现在我还没有真正理解过设计模式的概念,于是用了大半天好好的学习了一下装饰器模式,回头再看jdk的源码,舒服多了,的确验证了那句话,设计模式非学不可啊,可以说自己是个十足的菜鸟,连基本的java接口机制和继承都忘得差不多了,这一天全拾起来了~

    首先解释一下忘记接口的同学难点,接口其实就是java的抽象机制,不提供方法的具体实现,但是可以有多个类来实现这个接口,一个类也可以实现多个接口,接口带来的好处是创建实例时,用户不必关注具体的实现,比如我例子中的DecoratorPattern.java文件中 ,创建实现Basket接口的一个实例时,返回值是接口,下面再使用show方法时,我们就不必去关注谁实现了。接口作为返回值的一个经典的应用是使用ArrayList时,他的iterator方法会返回一个Iterator接口。这样开发者使用it.next方法,再不用去研究每一种list是怎么实现查询了。

    下面解释装饰器模式是如何引起的,深入浅出模式设计的例子很好,就是喝咖啡,有个调料的类,你可以加糖、冰、牛奶等等好多原料,那么生成调配方案时,可以通过继承来实现,但是大家也都知道排列组合,继承的类系统庞大可想而知了。

   这就诞生了装饰器模式,他的原则是,保持原有的接口,并为原来的动态的添加新的功能。

下面是维基百科的解释:相信大家都可以看懂

通过使用修饰模式,可以在运行时扩充一个类的功能。原理是:增加一个修饰类包裹原来的类,包裹的方式一般是通过在将原来的对象作为修饰类的构造函数的参数。装饰类实现新的功能,但是,在不需要用到新功能的地方,它可以直接调用原来的类中的方法。修饰类必须和原来的类有相同的接口。

修饰模式是类继承的另外一种选择。类继承在编译时候增加行为,而装饰模式是在运行时增加行为。

当有几个相互独立的功能需要扩充时,这个区别就变得很重要。在有些面向对象的编程语言中,类不能在运行时被创建,通常在设计的时候也不能预测到有哪几种功能组合。这就意味着要为每一种组合创建一个新类。相反,修饰模式是面向运行时候的对象实例的,这样就可以在运行时根据需要进行组合。一个修饰模式的示例是JAVA里的Java I/O Streams的实现” 

//补充一下,还有个经典的例子是java Collection framework也就是我们经常使用的ArrayList的底层实现机制,也是利用了装饰器模式。


再引用网上的一个设计图,很清晰了,我在代码中的实现,并没有实现装饰器基类,而是直接去装饰了。


下面介绍我这个演示的demo,假设我们有一个水果篮子,厘米可以装苹果,香蕉、或者橘子。这是可以典型的应用装饰器模式,比如我们用三个修饰器来修饰水果篮子里面装的内容。假设我们使用继承的话,那么要想获得所有情况,根据排列组合那么就有8种可能,需要有7个子类(空篮子就是本身,不需继承了)。装饰器模式就简单多了


第一个是Basket接口

复制代码
1 package uni.pattern.decorator;  
2 /*
3 * 创建一个对象的抽象也就是接口
4 */
5 public interface Basket {
6 public void show();
7
8 }
复制代码

下面是被装饰的对象,也就是对接口的一个实现,注意可以有多个实现

复制代码
 1 package uni.pattern.decorator;  
2
3 /**
4 *身份:被装饰的对象
5 *一个对接口的实现,这个对象表示要我们将来要修饰的篮子里装内容,如果想修饰篮子的造型,还可以创建其他类实现Basket的接口,比如Shape
6 * 不理解的话可以查看java语言的接口抽象机制
7 */
8 public class Original implements Basket{
9 public void show(){
10 System.out.println("The original Basket contains");
11 }
12 }
复制代码

接下来是三个装饰器的实现

复制代码
 1 package uni.pattern.decorator;  
2
3 /**
4 *身份:装饰器
5 *为原来的类添加新的功能
6 */
7 public class AppleDecorator implements Basket{
8 private Basket basket;
9 public AppleDecorator( Basket basket){
10 super();
11 this.basket = basket;
12 }
13
14 public void show(){
15 basket.show();
16 System.out.println("An Apple");
17 }
18
19 }
复制代码


复制代码
 1 package uni.pattern.decorator;  
2
3 /**
4 *身份:装饰器
5 */
6 public class BananaDecorator implements Basket{
7 private Basket basket;
8 public BananaDecorator(Basket basket){
9 super();
10 this.basket = basket;
11 }
12
13 public void show(){
14 basket.show();
15 System.out.println("A Banana");
16 }
17
18 }
复制代码


复制代码
 1 package uni.pattern.decorator;  
2
3 /**
4 *身份:装饰器
5 */
6 public class OrangeDecorator implements Basket{
7 private Basket basket;
8 public OrangeDecorator(Basket basket){
9 super();
10 this.basket = basket;
11 }
12
13 public void show(){
14 basket.show();
15 System.out.println("An Oranage");
16 }
17
18 }
复制代码

最后就是实现的效果,我们三个修饰器全部用到,装满了篮子,当然也可以只装一个苹果或香蕉

复制代码
 1 /* 
2 * 设计模式:装饰器模式
3 * java 简单的演示
4 */
5 package decoratorpattern;
6 import uni.pattern.decorator.Original;
7 import uni.pattern.decorator.*;
8
9 /**
10 *
11 * @author octobershiner
12 * 2011 7 25
13 * SE.HIT
14 */
15 public class DecoratorPattern {
16
17 /**
18 * @param args the command line arguments
19 */
20 public static void main(String[] args) {
21 // TODO code application logic here
22 Basket basket = new Original();
23 //一个装饰的过程
24 Basket myBasket =new AppleDecorator(new BananaDecorator(new OrangeDecorator(basket)));
25 myBasket.show();
26 }
27 }
复制代码

演示的结果:

run:
The original Basket contains
An Oranage
A Banana
an Apple

转自:http://www.cnblogs.com/octobershiner/archive/2011/11/04/2236730.html

下载方式:https://pan.quark.cn/s/a4b39357ea24 在纺织制造领域中,纱线的品质水平对最终制成品的整体质量具有决定性作用。 鉴于消费者对于产品规格和样式要求的不断变化,纺织制造工艺的执行过程日益呈现为一种更为复杂的操作体系,进而导致对纱线质量进行预测的任务变得更加困难。 在众多预测技术中,传统的预测手段在面对多变量间相互交织的复杂关系时,往往显得力不从心。 因此,智能计算技术在预测纱线质量的应用场景中逐渐占据核心地位,其中人工神经网络凭借其卓越的非线性映射特性以及自适应学习机制,成为了众多预测方法中的一种重要选择。 在智能计算技术的范畴内,粒子群优化算法(PSO)和反向传播神经网络(BP神经网络)是两种被广泛采用的技术方案。 粒子群优化算法是一种基于群体智能理念的优化技术,它通过模拟鸟类的群体觅食行为来寻求最优解,该算法因其操作简便、执行高效以及具备优秀的全局搜索性能,在函数优化、神经网络训练等多个领域得到了普遍应用。 反向传播神经网络则是一种由多层节点构成的前馈神经网络,它通过误差反向传播的机制来实现网络权重和阈值的动态调整,从而达成学习与预测的目标。 在实际操作层面,反向传播神经网络因其架构设计简洁、实现过程便捷,因此被广泛部署于各类预测和分类任务之中。 然而,该方法也存在一些固有的局限性,例如容易陷入局部最优状态、网络收敛过程缓慢等问题。 而粒子群优化算法在参与神经网络优化时,能够显著增强神经网络的全局搜索性能并提升收敛速度,有效规避神经网络陷入局部最优的困境。 将粒子群优化算法与反向传播神经网络相结合形成的PSO-BP神经网络,通过运用粒子群优化算法对反向传播神经网络的权值和阈值进行精细化调整,能够在预测纱线断裂强度方面,显著提升预测结果的...
植物实例分割数据集 一、基础信息 数据集名称:植物实例分割数据集 图片数量: - 训练集:9,600张图片 - 验证集:913张图片 - 测试集:455张图片 总计:10,968张图片 分类类别:59个类别,对应数字标签0至58,涵盖多种植物状态或特征。 标注格式:YOLO格式,适用于实例分割任务,包含多边形标注点。 数据格式:图像文件,来源于植物图像数据库,适用于计算机视觉任务。 二、适用场景 • 农业植物监测AI系统开发:数据集支持实例分割任务,帮助构建能够自动识别植物特定区域并分类的AI模型,辅助农业专家进行精准监测和分析。 • 智能农业应用研发:集成至农业管理平台,提供实时植物状态识别功能,为作物健康管理和优化种植提供数据支持。 • 学术研究与农业创新:支持植物科学与人工智能交叉领域的研究,助力发表高水平农业AI论文。 • 农业教育与培训:数据集可用于农业院校或培训机构,作为学生学习植物图像分析和实例分割技术的重要资源。 三、数据集优势 • 精准标注与多样性:标注采用YOLO格式,确保分割区域定位精确;包含59个类别,覆盖多种植物状态,具有高度多样性。 • 数据量丰富:拥有超过10,000张图像,大规模数据支持模型充分学习和泛化。 • 任务适配性强:标注兼容主流深度学习框架(如YOLO、Mask R-CNN等),可直接用于实例分割任务,并可能扩展到目标检测或分类等任务。
室内物体实例分割数据集 一、基础信息 • 数据集名称:室内物体实例分割数据集 • 图片数量: 训练集:4923张图片 验证集:3926张图片 测试集:985张图片 总计:9834张图片 • 训练集:4923张图片 • 验证集:3926张图片 • 测试集:985张图片 • 总计:9834张图片 • 分类类别: 床 椅子 沙发 灭火器 人 盆栽植物 冰箱 桌子 垃圾桶 电视 • 床 • 椅子 • 沙发 • 灭火器 • 人 • 盆栽植物 • 冰箱 • 桌子 • 垃圾桶 • 电视 • 标注格式:YOLO格式,包含实例分割的多边形标注,适用于实例分割任务。 • 数据格式:图片为常见格式如JPEG或PNG。 二、适用场景 • 实例分割模型开发:适用于训练和评估实例分割AI模型,用于精确识别和分割室内环境中的物体,如家具、电器和人物。 • 智能家居与物联网:可集成到智能家居系统中,实现自动物体检测和场景理解,提升家居自动化水平。 • 机器人导航与交互:支持机器人在室内环境中的物体识别、避障和交互任务,增强机器人智能化应用。 • 学术研究与教育:用于计算机视觉领域实例分割算法的研究与教学,助力AI模型创新与验证。 三、数据集优势 • 类别多样性:涵盖10个常见室内物体类别,包括家具、电器、人物和日常物品,提升模型在多样化场景中的泛化能力。 • 精确标注质量:采用YOLO格式的多边形标注,确保实例分割边界的准确性,适用于精细的物体识别任务。 • 数据规模充足:提供近万张标注图片,满足模型训练、验证和测试的需求,支持稳健的AI开发。 • 任务适配性强:标注格式兼容主流深度学习框架(如YOLO系列),便于快速集成到实例分割项目中,提高开发效率。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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