设计模式之命令模式(Command)

本文介绍了软件设计中的命令模式,包括其定义、实现方式及优势。通过示例代码展示了命令模式的具体应用,如请求的封装、命令的执行等。

命令模式(Command):将一个请求封装为一个对象,从而使你可用不同的请求对客户进行参数化,对请求排队或记录请求日志,以及支持可撤销的操作。命令模式把请求一个操作的对象与指导怎么执行一个操作的对象分隔开。
Command:用来声明执行操作的接口
ConcreteCommand:将一个接收者对象绑定于一个动作,调用接收者对应的操作,以实现Execute
Invoker:要求该命令执行这个请求
Receiver:知道如何实施与执行一个请求相关的操作,任何类都可能作为一个接收者
优点1.较容易地设计一个命令队列。2.在需要的情况下,可以讲命令记入日志。3.运行接受请求的一方决定是否要否请求。4.可以容易地实现对请求的撤销和重做。5.容易加入新的具体命令。

Command1.cs

代码
using System;
using System.Collections.Generic;
using System.Text;

//命令模式(Command):将一个请求封装为一个对象,从而使你可用不同的请求对客户进行
//参数化,对请求排队或记录请求日志,以及支持可撤销的操作。命令模式把请求一个操作
//的对象与指导怎么执行一个操作的对象分隔开。
//Command:用来声明执行操作的接口
//ConcreteCommand:将一个接收者对象绑定于一个动作,调用接收者对应的操作,以实现Execute
//Invoker:要求该命令执行这个请求
//Receiver:知道如何实施与执行一个请求相关的操作,任何类都可能作为一个接收者
//优点1.较容易地设计一个命令队列。2.在需要的情况下,可以讲命令记入日志。3.运行接受请求
//的一方决定是否要否请求。4.可以容易地实现对请求的撤销和重做。5.容易加入新的具体命令。

namespace Command
{
class Command1
{
}

//Receiver
class Receiver
{
public void Action()
{
Console.WriteLine(
"执行请求!");
}
}
//Command
abstract class Command
{
protected Receiver receiver;

public Command(Receiver receiver)
{
this.receiver = receiver;
}

abstract public void Execute();
}
//ConcreteCommand
class ConcreteCommand : Command
{
public ConcreteCommand(Receiver receiver) : base(receiver) { }

public override void Execute()
{
receiver.Action();
}
}
//Invoker
class Invoker
{
private Command command;

public void SetCommand(Command command)
{
this.command = command;
}

public void ExecuteCommand()
{
command.Execute();
}
}
}

Program.cs

代码
using System;
using System.Collections.Generic;
using System.Text;

namespace Command
{
class Program
{
static void Main(string[] args)
{
Receiver r
= new Receiver();
Command c
= new ConcreteCommand(r);
Invoker i
= new Invoker();
i.SetCommand(c);
i.ExecuteCommand();

Console.Read();
}
}
}

运行结果:

执行请求!

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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