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

JavaBean 和POJO

前言 今天介紹JavaBean和POJO的不同,這兩個名詞在JAVA文章常常被拿來使用以及討論。在JDK1.1時候釋出才有的一個標準架構,很多時候常常被搞混,所以我們特別開闢一章來加以討論。POJO規範在企業級應用已經廣大的被使用的規範。 解釋 POJO : 全名為Plain-old-Java-object,只需要繼承Object就可以,沒有特定規定,只要建立的類別有setter/getter方法都可以稱為POJO JavaBean: JavaBean通常用來封裝多個物件成為單獨物件使用,規範比較嚴格,規則如下 規則 說明 1 需要實作序列(Serializable/Externalizable) 2 不能有參數的建構子( no-arg constructor) 3 需要有公用setter/getter 4 屬性必須要私人(private) 5 屬於特定POJO規則 比較 所有的JavaBean都為POJO,但是所有的POJO不一定為JavaBean 都可以當作重複元件 都必須序列化 特性都為可用性、易用性和持久化使用 - 應用 由圖我們可以知道POJO在應用程式中,主要用來存取資料庫資料達到持久化的目的,並提供給商業邏輯流程處理使用。這種POJO的架構提供程式人員開發時的可以很有規則將資料封裝並加以使用。 範例1. JavaBean(以員工為實例) JavaBean建立員工物件,可以發現Employee物件建構子沒有任何參數,屬性為私有化並setter/getter的命名方式。 //實作序列化 public class Employee implements java.io.Serializable{ private int id; private String name; //無參數建構子 public Employee(){} //以下實作setter/getter public void setId(int id){this.id=id;} public int getId(){return id;} public void setName(String ...

Python AI-手寫辨識

Python AI-手寫辨識 類神經網路-手寫辨識 手寫辨識 (1) 問題定義 將輸入手寫數字圖片,經由類神經網路訓練後,可以辨識手寫圖片得到一個正確的答案,例如讓電腦辨識上面圖片手寫數字0-9,都可以認得.在了解問題後,需要先知道輸入的資料格式,例如圖片為NxN的矩陣向量. 輸入:輸入的資料格式有很多種,例如數字圖片為矩陣向量 模型:NN 輸出:輸出的方式,神經網路輸出不一定跟輸入同值,手寫數字輸入為1,輸出有可能是1.1或是1.5等等,所以輸出必須經過轉換成真實世界的數字. (2)定義函式 輸出會有兩個問題: A.輸出利用one-hot encoding來表示,就是N個狀態會對應N的結果,例如:輸出結果為1,表示[0,1,0,0,0,0,0,0,0,0] B.輸出結果不能超過1,我們通常會利用 Softmax函数 來進行輸出的處理. (3) 準備訓練/測試資料 在這邊需要從輸入去定義那些要當作訓練與測試資料,我們手寫資料使用MNIST 資料庫來訓練使用,MNIST共有70,000筆手寫資料,60,000筆為訓練資料,10,000為測試資料. (4)建構類神經網路模型 開始建構我們的神經網路模型,首先決定好28x28的像素(這邊不用擔心如何將圖片轉成矩陣),模型使用SGD的方式進行學習,輸出是一個10為的陣列來表示. 輸入:手寫數字圖片(28x28=784) 模型:SGD 輸出:數字(one hard encoding) (5)學習 首先介紹SGD(Stochastic Gradient Descent) 的學習方式,因為蕾神經網路需要訓練很多次才會提高準確度,SGD最大的好處就是當每次重新學習的會將訓練資料打散,來防止機器學習將答案死背下來. (6)實作開發 下面程式碼有完整的說明,這邊就不多說明了,當開始執行程式時就會進行資料訓練. 由訓練結果最後acc=0.9447,表示準確率可以到達94%,我們再由實際測試可以看出該圖為7的圖示,由神經網路判斷為7,跟我們人類判斷相同,我們可以知道由訓練的結果可看得到不錯的準確度. 執行神經網路遇到不少問題,請參考下面連結,是筆者所整理的問題集,請多多指教 https://programdoubledragon.bl...

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