跳到主要內容

設計模式-Singleton(獨體模式)

Singleton 定義

確保每次呼叫都只會有固定自行產生一個實例並提供給整個系統使用

Singleton 使用

  1. 單例模式可以避免產生多個物件消耗多個資源,如資料庫、IO存取
  2. 系統參數設定只需要共同一個設定,例如: andorid 中 Context系統內文

Singleton 單例案例

 
java範例
        /**
         * Name: singleton
         * Description :  To generate  onaly one database configuration  instane when it is called
         * Created by blackbryant on 2017/1/7.
         */
    public class DBConfigSinglton {
        public  static final DBConfigSinglton singlton = new DBConfigSinglton("com.mysql.jdbc.Driver","jdbc:mysql://localhost/EMP","jack","123456");
        private String className ;
        private String db_url ;
        private String user;
        private String password;

        private DBConfigSinglton(String className, String db_url, String user, String password){
            this.className = className ;
            this.db_url= db_url ;
            this.user = user ;
            this.password = password ;
        }

        public static DBConfigSinglton getInstance(){
            return singlton ;
        }
    }
 

Singleton Lazy mode

懶惰模式是當第一次呼叫getInstance()才建立實例,而案例一 是系統開啟就建立實例,所以某程度上懶惰模式節省資源的浪 費。懶惰模式呼叫getInstance()前面加上synchronized同步關鍵 字表示當每次呼叫時都需要做同步的檢查,這對效能上有很大 缺點所以不建議使用

 
    /**
     * Name: singleton
     * Description :  
     * Created by blackbryant on 2017/1/7.
     */
    public class DBConfigSingltonLazy {
        private  static  DBConfigSingltonLazy singlton = null;
        private String className ;
        private String db_url ;
        private String user;
        private String password;

        private DBConfigSingltonLazy(String className, String db_url, String user, String password){
            this.className = className ;
            this.db_url= db_url ;
            this.user = user ;
            this.password = password ;
        }

        public static synchronized DBConfigSingltonLazy getInstance(){
            if(singlton==null){
                singlton= new DBConfigSingltonLazy("com.mysql.jdbc.Driver","jdbc:mysql://localhost/EMP","jack","123456")
            }

            return singlton ;
        }

    }

Singleton- Double CheckLock(DCL)

DCL方法可以在需要時建立實例並保持執行緒安全,在呼叫 getInstance()不需要做同步檢查。DCL看起來很完美但是在高並 行的環境下是有可能出現問題或是低於JDK1.5以下

 
    /**
     * Name: singleton
     * Description : Singleton double checkLock
     * Created by blackbryant on 2017/1/7.
     */
    public class DBConfigSingltonDCL {
        private  static DBConfigSingltonDCL singlton = null;
        private String className ;
        private String db_url ;
        private String user;
        private String password;

        private DBConfigSingltonDCL(String className, String db_url, String user, String password){
            this.className = className ;
            this.db_url= db_url ;
            this.user = user ;
            this.password = password ;
        }

        public static  DBConfigSingltonDCL getInstance(){
            if(singlton==null){
                synchronized (DBConfigSingltonDCL.class) {
                    if(singlton==null)
                        singlton = new DBConfigSingltonDCL("com.mysql.jdbc.Driver", "jdbc:mysql://localhost/EMP", "jack", "123456");
                }
            }

            return singlton ;
        }
    }

Singleton- Static Inner Class

當系統載入DBConfigSingltonSIC 不會建立實例,只有在呼叫 getInstance()才會由SingetonHolder開始建立實例,這種方式不 僅物件唯一性、延遲載入也確保執行緒的安全

 
    /**
     * Name: singleton
     * Description : Static Inner Class mode
     * Created by blackbryant on 2017/1/7.
     */
    public class DBConfigSingltonSIC {
        private  static DBConfigSingltonSIC singlton = null;
        private String className ;
        private String db_url ;
        private String user;
        private String password;

        private DBConfigSingltonSIC(String className, String db_url, String user, String password){
            this.className = className ;
            this.db_url= db_url ;
            this.user = user ;
            this.password = password ;
        }

        public  static DBConfigSingltonSIC getInstance(){
            return SingletonHolder.singleton;
        }


        public static class SingletonHolder{
            private static final DBConfigSingltonSIC singleton =   new DBConfigSingltonSIC("com.mysql.jdbc.Driver", "jdbc:mysql://localhost/EMP", "jack", "123456");
        }
    }

Singleton- Enum

 
    /**
     * Name: singleton
     * Description : Static Inner Class mode
     * Created by blackbryant on 2017/1/7.
     */
    public enum DBConfigSingltonEnum {
        INSTANCE{
            public void DBConfig(){
                this.className =  "com.mysql.jdbc.Driver"  ;
                this.db_url=  "jdbc:mysql://localhost/EMP" ;
                this.user = "jack" ;
                this.password = "123456" ;
            }
        };

        private String className ;
        private String db_url ;
        private String user;
        private String password;



        public static DBConfigSingltonEnum  getInstance(){
           return DBConfigSingltonEnum.INSTANCE;
        }
    }

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...