跳到主要內容

設計模式-Observer (觀察者)

觀察者模式常常利用通知上面,當物件狀態改變需要通知其他全部的物件一起變更時,這種模式也被稱為發佈-訂閱模式

觀察者定義

定義物件一對多關係,當一個物件改變狀態時,所有相依它的物件都會自動被改變。 主題(Subject) : 定義註冊、非註冊、通知改變和更新等動作 觀察者(observer):設定主題和更新觀察者 案例: Java Message Service (JMS)

觀察者用法

  1. 跨系統訊息交換,如訊息序列、事件觸發等
  2. 關聯行為
  3. GUI前後台的串接,當更新某個元件的狀態,也回影響

觀察者例子

我們利用主從式例子來說明觀察者的例子,當我主伺服器會下達˙訊息給三個從級伺服器,這三台會同步的更新訊息

    /**
     * Name: Observer.java
     * Description :  觀察者
     * Created by bryant on 2017/1/14.
     */
    public interface IObserver {

        //更新觀察者、
        public void update();

    }
    /**
     * Name: ISubject.java
     * Description :  主題
     * Created by bryant on 2017/1/14.
     */
    public interface ISubject {
        //註冊
        public void register(IObserver observer) ;
        //取消註冊
        public void unregister(IObserver observer);
        //更新主題
        public  String update();
        //通知觀察者
        public void notifyObservers();
    }
        /**
     *MasterSubject.java
     * Description :  主伺服器
     * Created by bryant on 2017/1/14.
     */
    public class MasterSubject implements  ISubject {
        private List slave ;
        private boolean change;
        private  String message ;
        public  MasterSubject(){
            this.slave = new ArrayList();
        }

        @Override
        public void register(IObserver observer) {
            if(observer==null){
                throw  new NullPointerException("Null Observer");
            }else{
                slave.add(observer);

            }
        }

        @Override
        public void unregister(IObserver observer) {
            if(observer==null){
                throw  new NullPointerException("Null Observer");
            }else{
                slave.remove(observer);
            }
        }

        @Override
        public String update() {
          return this.message ;
        }

        @Override
        public void notifyObservers() {
            if(this.change){
                for(IObserver observer : this.slave){
                    observer.update();
                }
            }
        }

        //送出訊息
        public void postMessage(String mesage){
            this.message = mesage ;
            this.change = true ;
            notifyObservers();
        }

    }
    /**
     * Name: Observer.java
     * Description :  觀察者
     * Created by bryant on 2017/1/14.
     */
    public class SlaveObserver implements IObserver{

        private String name ;
        private ISubject master ;

        //設定名稱與訂閱端
        public  SlaveObserver(String name, MasterSubject master){
            this.name = name ;
            this.master = master ;
        }

        @Override
        public void update() {
            String message = (String) this.master.update();
            if(message==null){
                System.out.println("no message");
            }else{
                System.out.println(name+":"+message);
            }
        }
    }
        /**
         * Name: MasterSlaveDemo.java
         * Description :  主從式架構,當主伺服器發送訊息給其他從級伺服器
         * Created by bryant on 2017/1/14.
         */
        public class MasterSlaveDemo {

            public  static  void main(String[] args){
                MasterSubject master = new MasterSubject();
                SlaveObserver slave01 = new SlaveObserver("slave-1",master);
                SlaveObserver slave02 = new SlaveObserver("slave-2",master);
                SlaveObserver slave03 = new SlaveObserver("slave-3",master);

                master.register(slave01);
                master.register(slave02);
                master.register(slave03);

                master.postMessage("同步更新資料");

                master.unregister(slave02);
                master.postMessage("slave-2不更新");

            }
        }

輸出
slave-1:同步更新資料
slave-2:同步更新資料
slave-3:同步更新資料
slave-1:slave-2不更新
slave-3:slave-2不更新

觀察者與MVC的關係

MVC架構使用觀察者當作controller和view的溝通機制,在JAVA中提供兩個類別來支援MVC 1. Observer: 2. 待續......

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...