Java设计模式——接口隔离原则

接口隔离原则强调使用小而专的接口,避免接口污染。文章详细介绍了角色的合理划分、定制服务以及接口污染的概念,并通过示例说明如何进行接口的合理隔离,以提高代码的灵活性和可维护性。

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

接口隔离原则讲的是,使用多个专门的接口比使用单一的总接口要好。换言之,从一个客户类的角度来讲,一个类对另外一个类的依赖性应当是建立在最小的接口上的。

一、什么是接口隔离原则?

“接口”有两种含义。一种是Java语言中的有严格定义的Interface结构,比如java.lang.Runnale就是一个Java接口;另外一种就是一个类所具有的方法特征的集合,也称作“接口”,但是只是一种逻辑上的抽象。

角色的合理划分

将“接口”理解为一个类所提供的所有方法的特征集合,也就是一种在逻辑上才存在的概念。这样的话,接口的划分就直接是类型的划分

一个接口相当于剧本中的一种角色,而此角色在一个舞台上由哪个演员来演则相当于接口的实现。因此,一个接口应当简单的代表一个角色,而不是多个角色。如果系统涉及到多个角色的话,那么每一个角色都应该由一个特定的接口代表。

定制服务

将“接口”理解为狭义的Java接口,接口隔离原则讲的就是为同一个角色提供宽、窄不同的接口,以对付不同的客户端

在下面的示意性类图中,有一个角色Service以及三个不同的客户端。这三个客户端需要的服务都是稍稍不同的,因此系统分别为他们提供了三个不同的Java接口,即IService1、IService2和IService3。显然,每一个Java接口都仅仅将客户端需要的行为暴露给客户端,而没有将客户端所不需要的行为放到接口中。实际上这是适配器模式的应用。


接口污染

过于臃肿的接口是对接口的污染(Interface Contamination)。将没有关系的接口合并在一起,形成一个臃肿的大接口,是对角色和接口的污染。

准确而恰当的划分角色以及角色所对应的接口,是面向对象的设计的一个重要的组成部分。

二、角色隔离原则的例子

从代码重构的角度,如何将一个臃肿的角色重新分割成更为合适的小角色?

反面例子

如下图所示,一个叫做BadExample的接口负责所有的操作,从提供搜索功能到建立索引的功能,甚至包括搜索结果集合的功能均在一个接口内提供。明显的违反了角色隔离原则,把不同功能的接口放在了一起,由一个接口给出了包括搜索器角色、索引生成器角色以及搜索结果集角色。


角色的分割

如下图所示,在图中可以看出,搜索引擎的功能被分割为三个角色。


  • 搜索器角色
  • 索引生成器角色
  • 搜索结果集角色

以索引生成器角色为例,由于索引生成因数据的格式不同而不同,故分为RdbIndexer和FileIndexer两种实现。FileIndexer类代表对诸如*.txt,*.html,*.doc以及*.pdf等文件类型的数据生成全文索引,而RdbIndexer则针对关系数据库的数据进行全文索引生成。这两个实现扮演的同为索引生成器角色。

搜索器角色是与索引生成器角色完全不同的角色,它提供用户全文搜索功能。用户传进一些关键字,搜索器角色则返回一个ResultSet对象。

搜索结果角色就是ResultSet,它给用户提供对集合进行迭代走访的功能。如first()将光标移到集合的第一个元素;last()将光标移到集合的最后一个元素;next()将光标移到集合的下一个元素;previous()将光标移到集合的上一个元素;而getExcerpt()则返回当前记录的摘要;而getFullRecord()则将记录的全文返回。

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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