设计模式——六大原则

本文探讨了软件设计中的两大基本原则——单一职责原则与开闭原则。单一职责原则强调一个类只负责一项职责,有助于降低类的复杂度,提高系统的可维护性。开闭原则则提倡软件实体应对扩展开放而对修改关闭,从而减少因变更引入的新错误。

最近在开发中,对于设计接口和方法,简直就是一团糟!!!对于设计模式中的六大原则,在开发中是很重要的,有必要好好的来总结一下子。

1、单一职责原则

定义:不要存在多于一个导致类变更的原因。通俗的讲,就是一个类只负责一项职责。

问题的由来类T负责两个不同的职责:职责P1、职责P2,当由于职责P1的需求发生改变而需要修改类T时,有可能导致原本运行的正常的职责P2功能发生故障。

解决方案:遵循单一职责原则。分别建立两个类T1、T2,使得T1完成职责P1,T2完成职责P2功能。这样,在修改T1时就不会影响到T2类的职责P2,同理,修改T2时不会影响到T1类的职责P1。也就是说,保证单一职责。

优点:

  • 可以降低类的多项复杂度,一个类只负责一项职责,其逻辑肯定比负责多项职责简单的多;
  • 提高类的可读性,提高系统的可维护性;
  • 变更引起的风险降低,变更是必然的,如果单一职责原则遵循的好,当修改一个功能时,可以显著降低对其他功能的影响。

2、开闭原则

定义:一个软件实体如类、模块和函数应该对扩展开放,对修改关闭。
问题由来:在软件生命周期内,因为变化、升级和维护等原因需要对软件原有代码进行修改时,可能会给旧的代码中引入错误,也可能会使得我们不得不对整个功能进行重构,并且需要原有的代码经过重新测试。
解决方案:当软件需要变化时,尽量通过扩展软件实体的行为来实现变化,而不是通过修改已有的代码来实现变化。


根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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