23种设计模式(超级简洁)

23种设计模式(十一)——生成器模式【对象创建】 但是, 只有在调用构造步骤的客户端代码可以通过通用接口与建造者进行交互时, 这样的调用才能返回需要的房屋。不要忘记实现获取构造结果对象的方法。你不能在生成器接口中声明该方法, 因为不同生成器构造的产品可能没有公共接口, 因此你就不知道该方法返回的对象类型。在这种情况下, 你可以创建多个不同的生成器, 用不同方式实现一组相同的创建步骤。对于对象的使用者来说,我只需要告诉创建者我需要使用这个复杂对象,至于这个复杂对象是怎么创建的,不关我事。当你需要创建不同形式的产品时, 其中的一些构造步骤可能需要不同的实现。 阅读详情

-By Jason McDonald

原文地址:http://www.cnblogs.com/grkin/archive/2013/03/17/2964964.html

关于设计模式  

这个设计模式参考提供四人帮23种模式的快速参考,像原书《设计模式-可复用面向对象基础》中所陈述的,每个模式包括,类图,解释,使用说明和实际例子。

 

创建模式:用来构建对象以便能从实现系统解耦。

结构模式:用不同的对象组成大规模的对象结构。

行为模式:用来在对象中管理算法,关系,和责任。

 

对象层面:处理对象之间的关系,决定于运行期。

类层面:处理类的关系,决定于在编译期。

 

 

对象行为 

 

image

目的:

通过把多个接受请求的对象链接起来,给多个对象去执行请求的机会。

使用:

  • 允许多个对象处理一个请求,处理者不必是特定的对象。
  • 存在一组对象可以去处理请求,动态决定到底是哪一个处理者。
  • 可以接受潜在的情形是请求最终没有被任何Handler处理。

例子:

某些语言的异常处理使用此模式,当一个异常被方法抛出时,运行时检查那个方法有没有机制去处理异常。或者它应该沿调用堆栈向上传递。向上传递的过程持续,直到处理这个异常的代码找到,或者没有更外层的父类对象来处理异常。

 

Command命令   对象行为  

 

image

 

 

目的:

封装一个请求,允许它作为一个对象来对待, 这样允许请求被作为队列(Queuing)或回调(Callbacks)中的传统对象来处理

使用:

  • 你需要回调(Callbacks)功能
  • 多个请求需要在不同时间或不同顺序被处理
  • 请求日志需要记录
  • 发起者需要和处理命令的对象(Receiver)解耦。

例子:

工作队列广泛应用于异步处理的算法。通过命令模式,要执行的功能可以发给一个工作队列,而工作队列无需知道发起的请求的实际实现,排队的命令对象用自己的算法实现了队列期望的静态接口。

 

 

Interpreter解释器    类型行为   

image

目的:

定义一个语法表示,和一种理解处理语法的机制

 

使用:

语法可以被解释成一颗大的语法树。

语法简单。

效率不重要。

语法和底层的表达式解耦。

 

例子:

文字类的冒险游戏,1980年代相当流行,提供了一个很好的例子。 很多都有简单的命令,比如“向下走”允许对游戏的遍历。这些命令可以嵌套,如此得以改变他们的意思。例如,“go in”将导致和”go up”不同的结果。基于命令和修饰符(终结和非终结表达式)创建出的命令等级系统,应用可以很容易映射很多不同命令到一个行为树。

 

 

Mediator调停者    对象行为   

image

目的:

通过封装不同的对象集之间的交互和通讯实现松耦合, 允许每个对象集的行为相对于其他对象独立的演化。

 

使用:

不同对象集之间通信事先被定义,并且复杂。

通信和控制的节点之间存在太多的关系。

 

例子:

邮件列表软件记录登记到邮件列表的用户,并提供一个入口,通过这个入口,任何人都可以给整个邮件列表发邮件。 没有调停者模式实现的话,那个人必须随时关注谁订阅了列表,而谁又没有订阅。通过实现调停者模式,系统可以从任何入口接受邮件,然后决定哪些接收者需要传送,而不需要发送者担心真正的接收名单。

 

 

Iterator迭代子    对象行为   

image

目的:

允许得到一个聚集的元素,而不使用聚集本身的底层实现。

 

使用:

只需要得到聚集的元素,而不用知道整个聚集的内部表现。

需要对所有元素的多个或并行遍历。

需要对不同聚集的一个统一接口。

不同迭代子的实现细节有细微差异存在。

 

例子:

Java对迭代子模式的实现允许用户可以遍历不同类型的数据集合,而不用担心集合的底层实现。由于客户端只和迭代子接口打交道,各种集合可以留出余地定义一个适合他们的接口。有些允许存取所有集合的数据,有些禁止了某些功能,比如移除一些元素。

 

Memento备忘录    对象行为   

image

目的:

允许存储和外化一个对象的内部状态以便以后可以恢复,而这一切并不破坏封装。

 

使用:

对象的内部状态必须存储以备以后某个时间恢复。

一个接口的内部状态不通过暴露实现就不能被使用。

封装边界必须被保留。

 

例子:

Undo功能可以通过备忘录模式得到很好实现。 在状态变化之前,通过序列化和反序列化一个对象的状态可以保留它的一个快照,如果用户需要undo操作的话,可以用这个快照恢复。

 

 

Observer观察者    对象行为   

image

目的:

当系统中的主题对象状态发生变化时,让一个或多个观察者对象得到通知。

 

使用:

一个或多个对象的状态发生变化应该激发其他对象的行为。

需要广播(消息)的能力。

一个须知是,对象无视得到通知的代价。

 

例子:

这个模式几乎可以在任何界面环境中见到,当应用中出现按钮,文字,和其他变量,应用一般登记为这些控件的观察者(Listener),当一个用户激发一个事件,比如点击一个按钮, 控件遍历所有它登记的观察者(Observers)并对每个观察者一一发送通知。

 

 

Strategy策略    对象行为   

image

目的:

定义一个系列的封装好的算法,可以互换以用来实现特定行为。

 

使用:

类之间的唯一区别是他们的行为。

需要一个算法的不同版本或演化。

算法存取或使用的数据不应该被暴露给调用方。

一个类的行为应该在运行时决定。

条件语句复杂而且难以维护,需要重构

 

例子:

当数据被导入到新系统的时候,不同的验证算法需要运行于数据之上。通过配置,导入和使用策略,决定哪些验证需要被运行的条件逻辑可以移除掉,(数据)导入可以和真实验证代码解耦。 这会允许我们导入数据时动态调用一个或多个策略。

 

State状态    对象行为   

image

目的:

对象的情景绑定到它的行为上,允许对象根据内部状态表现不同行为。

 

使用:

对象的行为受它的状态影响。

把对象行为绑定到状态的条件复杂。

状态间需要显式转换。

 

例子:

一个邮件对象可以有不同状态,这些状态会影响对象的功能, 如果状态是“待发”,那么调用send()将会发出邮件,而调用recallMessage()会抛出错误或什么也不干,然而,如果状态时“已发出”状态,那么调用send()会抛出错误或什么也不干,而调用recallMessage()会尝试发送提醒通知给接受者。为避免方法中出现条件转移语句, 会使用多个状态对象处理相对应于特定状态的行为实现。邮件对象里的调用方法会委派给适当的状态对像来处理。

 

 

Template Method模板方法    类行为   

image

目的:

标识识别一个算法的框架,允许实现类顶一个真正的行为。

 

使用:

需要算法的一个抽象的是实现。

所有子类的共同行为需要放置到共同类中。

父类应该统一调用所有子类中的行为。

大部分或所有子类需要实现一个共同的行为。

 

例子:

一个父类,InstantMessage,需要所有的方法去处理发送消息,但是要发送的序列化数据可能根据不同实现而不同,一个视频消息和一个文字消息需要不同的算法以使数据正确序列化。InstantMessage的子类可以产生他们各自的序列化实现方法。允许父类可以和他们一起作用,而无需知道各自的实现细节。

 

Visitor访问者    对象行为   

image

这个图漏了ConcreteVisitor到Visitor的继承关系,读者心中有数。

 

目的:

允许运行时对一组对象进行一种或几种操作,而把对象结构和操作解耦。

 

使用:

一个对象结构须有多个不相关的操作作用其上。

一个对象结构不能改变,当时作用其上的操作可以变。

操作必须要作用在对象结构的具体类上。

可以接受对象结构暴露出来的内部状态和操作。

操作需要能够作用在继承统一的接口集合的对象结构之上。

 

例子:

对不同地区的一组发票计算税收需要很多不同的计算逻辑。实现访问者模式允许计算税收逻辑可以和发票详细项目解耦(我的理解是发票有很多不同的部分,每个部分需要不同的计税方式)。访问发票项目等级结构的计算逻辑可以和地区的合适税率解耦。改变地区就是简单改变一个不同的访问者具体类。

 

 

Bridge桥梁    对象结构   

image_thumb[1]

目的:

定义一个抽象化角色对象结构 和一个独立的实现化角色对象结构,抽象化角色的对象通过委派到实现化角色的对象来实现自己的功能,同时又能灵活的改变实现化角色对象的引用,因此达到解耦。

 

使用:

抽象化角色和实现化角色不应该在编译期绑定。

 

例子:

JVM, Java虚拟机有他自己的本地方法,抽象了视窗,系统日志,和字节码执行的使用,这些方法的具体实现委派到JVM运行的操作系统之上。当一个应用指示JVM去渲染窗口,他委派这个渲染的调用去JVM的具体实现,JVM知道怎么样和操作系统通信,以便渲染这个窗口。

 

Adapter适配器    类和对象结构   

image

这个图中的Adapter接口是源角色,所以又叫Target。

目的:

通过这个具体适配器对象,使原本接口不匹配而无法一起工作的类能够一起工作。

 

使用:

一个要使用的类不满足接口需要。

复杂的条件把对象的行为绑定到他的状态。

状态需要显式转换。

 

例子:

一个账单应用需要人事应用的接口,以便交换雇员数据。但是他们都有自己对雇员数据接口的实现, 另一个要命的地方他们的社会安全保障号码使用不同的格式,通过在两个应用之间创建一个适配器类, 允许他们使用本地的对象来通信,也可以在这个过程中转换SSN格式。

 

 

 

 

Composite组合    对象结构   

image

目的:

合成模式使客户端将单纯元素和复合元素同等看待,方便创建对象的树结构。

 

使用:

需要对象的等级结构时,

单纯对象和复合对象可以统一对待。

 

例子:

有时候购物车的显示内容是一个单独项目或多个项目的集合。将项目(item)实现为一个Composite接口的子类,我们就可以把集合项目和单纯项目统一对待,允许我们遍历对象树,调用每个项目的方法。通过调用一个节点的getCost方法,我们可以得到那个项目的金额,和所有子项目的金额。无论他们是单纯项目还是一组项目都可以统一被看待。

 

 

 

 

Decorator装饰    对象结构   

image

 

目的:

允许动态包装对象以便修改它们现有的责任和行为。

 

使用:

对象责任和行为应该可以被动态地修改。

具体实现应该和责任和行为解耦。

用继承的方式去修改变得不实际和不可能。

特定功能不应驻留在对象层次的上层。

一大堆小对象包裹在具体实现周围是可以接受的。

 

例子:

很多公司利用装饰模式搭建邮件系统,当一个邮件从公司内部发送到外部邮件地址时,邮件服务器自动在原来的内容加上版权和机密信息,如果是发往内部地址,就不添加。这种装饰允许邮件本身不发生改变,添加额外信息的判断在运行时被执行。

 

 

Flyweight享元    对象结构   

image

目的:

方便重用某些细粒度的对象,使对大量对象的使用更有效率。

 

使用:

很多相同的对象被使用而且存储代价比较高。

每个对象的主要状态可以外部存放。

有些共享对象可以代替很多不共享的对象。

每个对象的标识不重要。

 

例子:

系统允许用户定义他们自己的应用流程和布局经常需要跟踪记录很多数量的变量,页面和其他项目,而这些东西几乎没有差别,通过把这些东西做成享元对象,所有对象的实例可以共享内部状态,而把外部状态分开存放。内部状态将存储共享属性,比如一个对话框的视觉效果,可以装多少长度的数据,暴露出什么样的事件,外部状态会存储不共享的属性,比如项目的位置,怎样对用户的点击做出反应,怎么样处理事件。

 

 

Facade门面    对象结构   

image

 

目的:

为一个子系统里面的一组接口提供一个单独的接口

 

使用:

需要一个简单的接口提供对一个复杂系统的访问

在系统实现和客户之间存在过多的依赖

系统和子系统需要被分层

 

例子:

通过Web服务暴露一组功能,客户代码只需要关心通过web服务暴露给他们的一个简单接口,而不是隐藏在web服务层后面存在的可能有的复杂关系。用新数据通过一个单独的web服务调用去更新系统可能涉及和几个数据库和系统的通信,然而这一切细节门面模式隐藏起来。

 

 

Proxy代理    对象结构   

image

 

目的:

允许对象层的存取控制,像一个Pass through entity或placeholder object。

 

使用:

被代表的对象存在于系统的外部。

对象可以在需要时创建。

对真正要访问的对象提供存储控制。

当一个对象被存取时需要增加功能。

 

例子:

账本应用提供一个方式顾客可以用他们的银行对账单和银行记录进行对账。 使很多过程自动化,和第三方通信的真正的操作十分耗费资源,应该被限制执行次数。通过使用代理来表示通信对象,我们可以限制通信时间和间隔,更进一步的是,我们可以把复杂的通信对象的初始化操作隐藏在代理类里面,是调用代码和是实现细节解耦。

 

 

Abstract Factory抽象工厂    对象创建   

image

 

目的:

提供一个接口,为了创建某些特定对象,把创建调用委派给某些具体创建类。

 

使用:

对象的创建应独立于是使用它们的系统。

系统应该能够使用多个对象族。

一个族的对象应该被集中使用。

程序库发布的时候不会暴露出其实现细节。

具体类应该和客户端解耦。

 

例子:

邮件编辑器应该允许操作多种格式,包括纯文字,富格式文字,和HTML。 根据被使用的格式,不同的对象需要被创建。如果邮件是纯文字,那么主体对象表示的就是纯文字和一个附件对象只是把附件简单编码成Base64。如果邮件是HTML,那么主体对象表示HTML 编码文字,附件对象允许inline表示和标准附件。通过利用抽象工厂来创建,我们可以保证合适的对象族根据邮件的风格来创建。

 

 

 

Factory Method工厂方法    对象创建   

image

 

目的:

暴露一个方法来创建对象,允许子类来控制真正的创建过程。

 

使用:

一个类不知道他要创建的是什么对象。

子类可以指定需要创建的对象。

父类希望将创建的操作放在它的子类。

 

例子:

很多应用有一种user 和 group结构来做登录,当应用需要创建一个user,它将通常把创建的过程委派给多个工厂方法子类实现。父类User对象将处理每种User的大部分操作,但是子类将定义工厂方法处理不同种类的User创建的差别。系统可能有AdminUser和StandardUser对象,每一个继承了User,AdminUser对象执行某些任务保证使用权,而StandardUser却要限制使用权。

 

 

Builder建造者    对象创建   

image

 

目的:

允许根据一些容易替换的算法动态创建对象。

 

使用:

对象创建算法应该和系统解耦。

需要创建算法的多种表示。

添加新的创建行为而不改变主要代码。

需要创建过程的运行时控制。

 

例子:

一个文件传输应用应该使用很多不同的协议来发送文件,真正的传输对象要根据选择的传输协议。通过使用一个Builder,我们可以决定使用正确的Builder来实例化正确的对象。 如果设置里是FTP那么FTP Builder将被使用。

 

 

 

 

Prototype原型    对象创建   

image

 

目的:

根据一个已经存在的对象作为模板通过克隆来创建对象。

 

使用:

组合,创建和对象的表示应该和系统解耦。

要创建的类在运行时才决定。

一个对象内部存在有限数目的状态。

对象或需要的对象结构需要一致或非常接近其他已经存在的对象和对象结构。

一开始对每个对象的创建是一个很耗费的操作。

 

例子:

价格处理引擎常常需要寻找很多不同的配置参数,是初始化这个引擎来变得相对昂贵,当有几个这样的引擎实例需要初始化,使用多线程来导入数据。很多引擎的初始化耗费就会很高。通过使用原型模式,我们可以保证只有一个引擎的拷贝需要初始化,然后克隆这个实例来复制它。附加的好处是克隆可以流程化。

 

 

 

Singleton单例    对象创建

image

 

目的:

保证系统里只有一个类的实例。

 

使用:

只需要类的一个实例。

必须控制使用一个单独对象。

 

例子:

很多语言提供系统或环境对象,允许语言和本地操作系统交互。因为物理上在一个操作系统上运行的应用,只需要一个系统对象。单例模式被语言运行时来保证只有一个系统对象的拷贝被创建,只有合适的进程才可以访问它。

变焦跟踪理论基础(如何在变焦过程中保持清晰) 如何在整个变焦过程中一直保持图像的清晰度或焦点是变焦跟踪的主要挑战。 当用户在缩放跟踪的情况下改变缩放时,设备保持对焦。 然而,在没有变焦跟踪的情况下,图像变得失焦,图像在变焦跟踪后由于自动对焦(AF)算法才最终对焦。................................................... 阅读详情

相关推荐

告别枯燥的Unity编辑器脚本:Odin插件如何让游戏数据配置变得像搭积木一样简单?

本文详细介绍了Odin插件如何简化Unity编辑器脚本开发,使游戏数据配置变得直观高效。通过声明式特性和丰富的可视化工具,Odin让开发者告别繁琐的OnGUI代码,实现所见即所得的开发体验。文章重点展示了Odin的核心优势、魔法特性及实战案例,帮助Unity开发者提升工作效率。

weixin_28717411的博客 347

自动化代码中,用到了哪些设计模式?

1、单例设计模式 https://www.cnblogs.com/huchong/p/8244279.html 2、工厂模式 https://www.cnblogs.com/Xjng/p/3879064.html 3、PO设计模式 https://www.cnblogs.com/lj...

chentaz51209的博客 1276

Halcon窗体开发避坑指南:C#自定义控件实现7大图像交互功能

本文详细介绍了如何利用C#封装自定义Halcon控件,以解决原生HWindowControl功能不足的问题。通过实战代码,展示了如何实现图像按比例显示、鼠标拖动缩放、灰度值读取、图像保存、截图及图形叠加等七大核心交互功能,并重点剖析了内存管理、坐标转换等开发避坑要点,帮助开发者构建稳定可复用的机器视觉组件库。

weixin_29251131的博客 293

自动化测试代码中到底用了集中设计模式?

目录一、单例设计模式1.使用模块2.使用装饰器3.使用类4.基于__new__方法实现(推荐使用,方便)5.基于metaclass方式实现二、工厂模式三、PO设计模式为什么要用POPO是什么:PO的优势PO实现示例四、数据驱动模式五、面向接口编程设计模式单例模式(Singleton Pattern)是一种常用的软件设计模式,该模式的主要目的是确保某一个类只有一个实例存在。当你希望在整个系统中,某个类只能出现一个实例时,单例对象就能派上用场。比如,某个服务器程序的配置信息存放在一个文件中,客户端通过一个 Ap

wqda125的博客 541

Windows应急响应实战:灰鸽子木马检测与清除全流程解析

远程控制木马(RAT)是一种基于客户端/服务器(C/S)架构的恶意软件,攻击者通过它能够远程操控受害主机,实现屏幕监控、文件窃取、键盘记录等操作,对个人隐私与企业数据安全构成严重威胁。其技术原理通常涉及进程注入、网络通信、持久化机制等核心环节,在应急响应中具有极高的分析价值。掌握此类木马的检测与清除方法,是Windows系统安全防护与事件处置的基本功。本文以经典的灰鸽子木马为例,结合进程分析、网络排查、注册表检查等实战技术,系统讲解从行为识别、痕迹取证到彻底清除的完整操作流程,并涵盖Rootkit对抗、无文

weixin_30521161的博客 416

用 dism 合并与删除 wim 映像

一、合并 假设 installA.wim 有 3 个映像,installB.wim 有 1 个映像。 1、全部合并 将 installA.wim 中的 3 个卷映像合并到 installB.wim 中,这样 installB.wim 中的卷映像增加到 4 个。 dism/export-image/sourceimagefile:d:\installA.wim/sourceindex:1/destinationimagefile:d:\installB.wim dism/export-image/source

KefanWon的博客 5203

UI自动化测试中公认最佳的设计模式-POM

POM是PageObjectModule(页面对象模式)的缩写,其目的是为了Web UI测试创建对象库。在这种模式下,应用涉及的每一个页面应该定义为一个单独的类。类中应该包含此页面上的页面元素对象和处理这些元素对象所需要的方法等。将流程所关联的页面作为对象,将对象串联起来,形成一个个不同的流程,POM是业内公认最佳的设计模式。

2301_78843735的博客 1456

DeFi核心协议代码解析

本文解析了DeFi两大核心协议Uniswap V2和Compound的智能合约架构与关键代码。Uniswap V2采用恒定乘积公式(x*y=k)实现自动做市,核心合约包括Factory、Pair和Router,具备流动性铸造、代币兑换和TWAP预言机功能。Compound借贷协议通过cToken合约管理存款和借款,采用动态利率模型和抵押率机制,包含资金利用率计算、清算触发等核心算法。两协议均采用模块化设计,通过智能合约实现去中心化金融服务的核心逻辑。

闲人编程的博客 936

极简设计模式 - 装饰者模式

**观察者模式(Decorator Pattern)** 动态的将责任附加到对象上。想要扩展功能,装饰者提供有别于继承的另一种选择。

不放糖的咖啡 313

Claude Code 错误解决方案 API Error: 前缀通用错误

本文分析了Claude Code与Anthropic API通信时出现的通用错误处理问题。当API返回未分类错误时,系统会直接显示"API Error: "前缀的原始错误信息。通过错误链路追踪发现,这是由于未匹配特定错误类型时触发了通用兜底处理逻辑。文章提供了三种解决方案:查看具体错误内容、启用调试日志以及提交问题反馈,并建议用户关注错误码、使用/compact命令处理上下文超限问题。最后强调这些未分类错误是预期行为,用户应通过错误消息中的线索自行排查或反馈开发者。

多媒体编程、网络编程、系统编程、网络安全编程、驱动编程 1351

一网打尽身份验证与授权:深入剖析ASP.NET Core Identity在C#中的全方位实战应用

ASP.NET Core Identity 是 Microsoft 提供的一个强大且可扩展的身份验证和授权框架,用于构建基于用户账户、角色和权限的Web应用程序。它提供了用户注册、登录、密码管理、多因素认证、角色分配、授权等功能,与ASP.NET Core框架深度集成,简化了安全相关的开发工作。通过上述代码示例和注释,展示了如何安装配置Identity、自定义用户实体与数据库上下文、实现用户注册登录、管理角色与用户角色关系,以及如何使用授权策略保护应用程序资源。,并指定用户和角色类型以及主键类型。

java专栏 1530

23种设计模式实战!超级全,超级好懂!

设计模式实战全集: 1,设计模式实战-工厂模式,别具匠心 2,设计模式实战-抽象工厂模式,分而治之 3,设计模式实战-单例模式,我就是天下无双 4,设计模式实战-建造者模式,做任何事情都需要步步为营 5,设计模式实战-原型模式,我们就来依法炮制 6,设计模式实战-适配器模式,承上启下 7,设计模式实战-桥接模式,想做月老吗? 8,设计模式实战-过滤器模式,你总是这么挑三拣四 9,设计模式实战-组合模式 10,设计模式实战-装饰器模式,教你怎么为代码添砖加瓦 11,设计模式实战-...

csdn681的博客 1万+

Jetson AGX Orin平台Jetpack5升级Jetpack6,自研载板USB不工作问题调试

1. 问题描述将AGX Orin工业的新板放到定制的载板上当在ubuntu 22和Jetpack 6.1上使用SDKManager刷机时,lsusb为空,并且在引导时没有发现/注册xusb设备。USB C端口正常打开并供电,但似乎没有数据传输。在Ubuntu 18 Jetpack 5.1.4 SDKManager上同样刷机之后,usb C集线器在引导时被正确地发现,显示在lsusb中,并识别/挂载外部驱动器。

jzwjzw19900922的博客 1512

23种设计模式——工厂模式

简单工厂模式 定义一个工厂类,他可以根据参数的不同返回不同类的实例,被创建的实例通常都具有共同的父类 在简单工厂模式中用于被创建实例的方法通常为静态(static)方法,因此简单工厂模式又被成为静态工厂方法(Static Factory Method) 需要什么,只需要传入一个正确的参数,就可以获取所需要的对象,而无需知道其实现过程 例如,我开一家披萨店,当客户需要某种披萨并且我这家店里也能做的时候,我就会为其提供所需要的披萨(当然是要钱的哈哈),如果其所需的我这没有,则是另外的情况,后面会谈。...

szw906689771的博客 197

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")

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

AI生成的UI如何摆脱“千篇一律“:Taste-Skill的Agent Skill前端设计指南

Taste-Skill 是一组专为前端设计打造的 Agent Skills,用来阻止 AI 生成千篇一律的界面,让产出具备更专业的布局、排版、动效与间距。如果你用 AI 编码助手写落地页、官网或产品界面,值得花三分钟了解它。 [![Taste-Skill 项目横幅图,展示面向 AI 生成界面的反平庸前端设计 Agent Skills](https://raw.gitcode.com/GitHub

gitblog_01021的博客 647

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

23种Java设计模式

1. 设计模式(超级详细) 内容简介     有感于设计模式在日常开发中的重要性,同时笔者也自觉对设计模式小有心得,故笔者*写二十三种设计模式的简单例子、 并整理二十三种设计模式的理论部分,综合汇总成这份Java设计模式(疯狂J*va联盟版),希望对大家有所帮助。     本份帮助文档主要是为了向读者介绍二十三种设计模式,包括模式的描述,适用性,模*的组成部分,并附带有简单的例

kutekute的专栏 1272

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

23种设计模式——抽象工厂模式

抽象工厂模式(Abstract Factory Pattern)是围绕一个超级工厂创建其他工厂。该超级工厂又称为其他工厂的工厂。这种类型的设计模式属于创建型模式,它提供了一种创建对象的最佳方式。 在抽象工厂模式中,接口是负责创建一个相关对象的工厂,不需要显式指定它们的类。每个生成的工厂都能按照工厂模式提供对象。 抽象工厂模式提供了一种创建一系列相关或相互依赖对象的接口,而无需指定具体实现类。通过使用抽象工厂模式,可以将客户端与具体产品的创建过程解耦,使得客户端可以通过工厂接口来创建一族产品。

如果相遇,那么你好哦~ 881

【设计模式】设计模式(Design Patterns)【转】

转自:http://blog.youkuaiyun.com/zhangerqing/article/details/8194653 设计模式(Design Patterns)                                   ——可复用面向对象软件的基础 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、代码设计经验的总结。使用设计

Xerophyte的专栏 662

设计模式,面试速记手册1

设计模式本身都是一些最优经验的整合,包含了很多解决方案的最佳实践,是Java设计领域必须掌握和积累的重要知识点。互联网Java面试过中,设计模式是一个绕不开的热点问题,尤其是与Java相关的一些高端职位,比如架构师、技术专家等。因此我们有必要做一些准备。 设计模式速记手册,主要是针对面试,力求简洁明了,能回答出面试要点即可。 我们常说的设计模式,即Design pattern。一共有...

编程者说的博客专栏 414

07 如何正确使用设计模式

设计模式不是为每个人准备的,而是基于业务来选择设计模式,需要时就能想到它。要明白一点,技术永远为业务服务,技术只是满足业务需要的一个工具。我们需要掌握每种设计模式的应用场景、特征、优缺点,以及每种设计模式的关联关系,这样就能够很好地满足日常业务的需要。 许多设计模式的功能类似,界限不是特别清楚(为了能让大家更好的理解,每个章节后面都列出了类似功能设计模式之间的对比)。大家不要疑惑,设计模式不是为了特定场景而生的,而是为了让大家可以更好和更快地开发。 设计模式只是实现了七大设计原则的具体方式,套用太多设计模式

天道·乾坤 的博客 519

23种设计模式之代理模式

23种设计模式之代理模式 文章目录23种设计模式之代理模式参考资料一、简介定义特点优点缺点通用类图应用场景二、实现分类静态代理动态代理Cglib代理三、总结 参考资料 Java设计模式:23种设计模式全面解析(超级详细) 韩顺平老师的Java设计模式(图解+框架源码剖析) 秦小波老师的《设计模式之禅》 下文如有错漏之处,敬请指正 一、简介 定义 代理模式是通过代理类控制目标类的访问。即客户端可以通过代理对象间接地访问目标对象,从而限制、增强或修改目标对象。 特点 代理模式是一种结构型模式 优点

space_qi的博客 453
上一篇: UML类图关系大全
下一篇: android--Content Provider 你应该记住的一些事-1
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