跳到主要內容

設計模式-Adapter(配接器模式)

在日常生活中出國常需要電壓轉接頭,接電壓轉換為另外一種該國家可用的電壓規格。今天要介紹的配置器就是有這樣的作用,可以將兩個不同的系統藉由配置器去符合其他系統的標準。

配接器模式定義

將兩個不同模組介面,利用配接器可以結合在一起。

配接器模式使用狀況

1.當兩個系統需要串接時,需要將資料轉換成另一個系統可以使用的規格 2.

配接器模式UML圖



Target: 目標介面,需要轉換資料的目標
Adapter : 配接器角色,負責轉換為目標介面
Adaptee: 需要轉換的角色

配接器模式種類

  1. Class Adapter(類別配接器): 利用繼承adaptee來完成配接器
  2. Obejct Adapter(物件配接器): 利用組合物件的方式完成配接器
配接器模式範例

我們建立Adaptee為120電壓,利用Adapter變壓器來轉換電壓。本範例類別與物件配接器都有實作。
GitHub: https://github.com/blackbryant/designpattern/tree/master/java/src/design/adapter

    /**
     * name: Volt.java
     * description: 電壓物件
     * Created by bryant on 2017/1/124
     */
    public class Volt {

        private float volt ;

        public  Volt(float volt){
            this.volt = volt ;
        }

        //取得電壓
        public  float getV(){
            return  this.volt ;
        }

    }
    /**
     * name: IAdapter.java
     * description:  變壓器介面
     * Created by bryant on 2017/1/24.
     */
    public interface IAdapter {

       public float convertVolt(float rate) ;
    }
    /**
     *  name: Adaptee.java
     * description:  傳統變壓器
     * Created by bryant on 2017/1/24.
     */
    public class Adaptee {

        public  Volt getVolt(){
            return new Volt(120) ;
        }
    }
    /**
     *  name: Adapter.java
     * description:  變壓器實作(類別配接器)
     * Created by bryant on 2017/1/24.
     */
    public class Adapter extends  Adaptee implements IAdapter {

        @Override
        public float convertVolt( float rate) {
            return getVolt().getV() * rate ;
        }
    }
    /**
     *  name: AdapterComposition.java
     * description:  組合式變壓器
     * Created by bryant on 2017/1/24.
     */
    public class AdapterComposition implements  IAdapter{
        private   Adaptee adaptee  = new Adaptee();

        @Override
        public float convertVolt(float rate) {
            return adaptee.getVolt().getV()*rate;
        }
    }
        /**
     *  name: AdapterDemo.java
     * description:  變壓器Demo
     * Created by bryant on 2017/1/24.
     */
    public class AdapterDemo {

        public  static  void main(String[] args) {
            //Class Adapter
            Adapter adapter = new Adapter();
            System.out.println(adapter.convertVolt(0.5f));

            //Object Adapter
            AdapterComposition adapterCompsition = new AdapterComposition() ;
            System.out.println(adapterCompsition.convertVolt(0.2f));

        }
    }


執行結果 :
60.0
24.0

留言

這個網誌中的熱門文章

淺談機器學習原理-Nonlinear Transform

Nonlinear Transform 淺談機器學習原理-Nonlinear Transform Nonlinear Transform *通用能力 gerneralization : 就是將訓練好的模型,放到正式環境可以正常的運作,通常Linear Model的gerneralization會比較好,因為線性模型解決的問題比較單純。缺點是應用侷限比較大。 參考Chih-Chung Chang老師的範例:縣性與非線性分類範例 https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 非線性問題 當如果今天假設要圈出裡面小圈圈的資料,我們就無法使用線性的模型,我們可以用非線性解像圈圈的方程式 s i g n ( − x 1 2 − x 2 2 + r ) sign(-x1^2-x2^2+r) s i g n ( − x 1 2 − x 2 2 + r ) 來解決,在演算法我們利用reduce來將不會的問題透過已知的問題來解決,所以在這個問題 我們將圈圈的方程式(非線性模型)reduce成線性模型來解決。 Reduce 方法論 我們調整圓形的方程式改為 z 0 z_0 z 0 ​ , z 1 z_1 z 1 ​ , z 2 z_2 z 2 ​ 來轉換線性方程式, { ( x n , y n ) } \{{(x_n,y_n)}\} { ( x n ​ , y n ​ ) } => { ( z n , y n ) } \{{(z_n,y_n)}\} { ( z n ​ , y n ​ ) } 在這空間資料中只要能找線,就可將不同的分類區分,圖中可以線性可以線去做分類。 透過向量方式來轉換成線性方程式 我們找到一個方式將非線性資料X透過向量轉換為Z後,希望透過線性方程式方式來學習,得到正解。 當我們Nonlinear transform轉換成線性方程式,當有新的資料進來我們無法使用invertiable(逆向工程)的方式去轉回非線...

Python AI-問題集

Python AI-問題集 問題集 Jupyter Notebook執行ipywidgets會出現kernel死掉的錯誤發生(The kernel appears to have died) 解決方法 (1) 根據log檔來判斷問題: 例如:log訊息出現OMP: Error #15: Initializing libiomp5.dylib, but found libiomp5.dylib already initialized. (2) 根據問題關鍵字找出問題所在: 利用google查詢所遭遇到的問題,例如我把上面的問題上google查詢可以找到這篇的解法 https://blog.csdn.net/bingjianIT/article/details/86182096 (3)實作解法: 我實作下面解法後,就可以順利執行手寫辨識的程式. //在Python宣告時加入 import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" 參考 https://blog.csdn.net/bingjianIT/article/details/86182096

淺談機器學習原理-Linear Model

Linear Regession 淺談機器學習原理-Linear Model Linear Regession 需要預測數值,輸出為實數的數值,我們就稱為它是regession的任務。 範例:Netflix百萬獎金比賽,有100萬筆的rating資料與480K的使用者給17.7k的電影來評分,預測使用者評分電影的星星*數量。 (1) 定義問題是否需要使用ML : 預測使用者評分電影的星星*數量,算是一個複雜的問題。且知道評分結果為1~5星,可以知道這是一個regression的任務 (2) 收集資料 : Netflix有100萬筆的rating資料與 (3) 定義模型 :假設它是regession問題,我們可以知道hypothesis: h(x) = w T ∗ x w^T *x w T ∗ x 的方程式。我們可以與分類Perceptron的公式來比較。 Linear Regession :用來找到最接近實際目標值,也就是最小誤差error的值 (4) 測量誤差 : squared error : ( 預測值 − 真實的值 ) 2 (預測值-真實的值)^2 ( 預測值 − 真實的值 ) 2 ,我們算出誤差值後,如何得到最小的誤差min(Error(x)) 理想化的誤差值 我們可以假設誤差接近於0值為球體的位置,是在曲線的最下方也就是偏微分等於0的位置,我們要找的讓W偏微分等於零。 Statistics vs Machine Learning Statistics: 統計比較著重在數學的推論 Machine Learning: 機器學習比較著重在資料計算,統計工具對機器學習領域是很有幫助 Logistic Regression 邏輯回歸 需要預測機率,輸出為小數點,我們就稱為它Logistic Regression任務。資料輸出為+1,-1的值,可以預測為機率發生,可以由公式可以知道x在發生+1的機率是多少。範例: 疾病預測、鐵達尼的死完的機率 機...