详解Python设计模式编程中观察者模式与策略模式的运用
观察者模式
观察者模式:又叫发布订阅模式,定义了一种一对多的依赖关系,让多个观察者对象同时监听某一个主题对象,这个主题对象的状态发生变化时,会通知所有观察者对象,是他们能自动更新自己。
代码结构
class Topic(object): """主题类。保存所有观察者实例的引用,每个主题都可以有很多观察者 可以增加和删除观察者""" def __init__(self): self.obs = [] def Attach(self, ob): self.obs.append(ob) def Detach(self, ob): self.obs.remove(ob) def Notify(self): for ob in self.obs: ob.Update() class Observer(object): """抽象观察者类,收到主题的变更通知时,更新自己""" def Update(self): raise NotImplementedError() class ConcreteTopic(object): """一个具体主题""" def __init__(self): self.state = None def ChangeState(self, newState): self.state = newState self.Notify() class ConcreteObserver(object): """一个具体监听类""" def __init__(self, topic): self.topic = topic def Update(self): print self.topic.state def client(): topic = ConcreteTopic() topic.Attach(ConcreteObserver(topic)) topic.ChangeState('New State')
众多MQ中间件都是采用这种模式的思想来实现的。
观察者模式可以让主题和观察者之间解耦,互相之间尽可能少的依赖。不过抽象主题和抽象观察者之间还是有耦合的。
策略模式
策略模式: 定义了算法家族,分别封装起来,让他们之间可以互相替换。此模式让算法的变化不影响使用算法的客户。
代码框架
class Strategy(object): """抽象算法类""" def AlgorithmInterface(self): raise NotImplementedError() class ConcreteStrategyA(Strategy): def AlgorithmInterface(self): print '算法A' class ConcreteStrategyB(Strategy): def AlgorithmInterface(self): print '算法B' class Context(object): """上下文,作用就是封装策略的实现细节,用户只需要知道有哪些策略可用""" def __init__(self, strategy): # 初始化时传入具体的策略实例 self.strategy = strategy def ContextInterface(self): # 负责调用具体的策略实例的接口 self.strategy.AlgorithmInterface() def client(cond): # 策略模式的使用演示 # 用户只需要根据不同的条件,将具体的算法实现类传递给Context, # 然后调用Context暴露给用户的接口就行了。 if cond == 'A': context = Context(ConcreteStrategyA()) elif cond == 'B': context = Context(ConcreteStrategyB()) result = context.ContextInterface()
策略模式解决那类问题
在回答这个问题之前,先说下对策略模式的使用方式的感觉。上面的client函数,怎么看起来就像是简单工厂模式中的工厂函数呢?确实如此,实际上策略模式可以和简工厂模式结合起来,将更多细节封装在策略模式内部,让使用者更容易的使用。
那么策略模式和简单工厂模式有什么不同呢?策略模式中的算法是用来解决同一个问题的,根据时间、条件不同,算法的具体细节有差异,但最终解决的是同一个问题。在需求分析过程中,当听到需要在不同时间应用不同的业务规则,就可以考虑使用策略模式来处理这种变化的可能性。
缺点
使用者需要知道每一种策略的具体含义,并负责选择策略
改进
结合简单工厂模式,将策略选择封装在Context内部,解放client:
class Context(object): def __init__(self, cond): if cond == 'A': self.strategy = Context(ConcreteStrategyA()) elif cond == 'B': self.strategy = Context(ConcreteStrategyB()) def ContextInterface(self): self.strategy.AlgorithmInterface() def client(cond): context = Context(cond) result = context.ContextInterface()
改进后的遗留问题
每次需要增加新的策略时,就需要修改Context的构造函数,增加一个新的判断分支。

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

PHP和Python各有优劣,选择取决于项目需求和个人偏好。1.PHP适合快速开发和维护大型Web应用。2.Python在数据科学和机器学习领域占据主导地位。

Python和JavaScript在社区、库和资源方面的对比各有优劣。1)Python社区友好,适合初学者,但前端开发资源不如JavaScript丰富。2)Python在数据科学和机器学习库方面强大,JavaScript则在前端开发库和框架上更胜一筹。3)两者的学习资源都丰富,但Python适合从官方文档开始,JavaScript则以MDNWebDocs为佳。选择应基于项目需求和个人兴趣。

在CentOS系统上启用PyTorchGPU加速,需要安装CUDA、cuDNN以及PyTorch的GPU版本。以下步骤将引导您完成这一过程:CUDA和cuDNN安装确定CUDA版本兼容性:使用nvidia-smi命令查看您的NVIDIA显卡支持的CUDA版本。例如,您的MX450显卡可能支持CUDA11.1或更高版本。下载并安装CUDAToolkit:访问NVIDIACUDAToolkit官网,根据您显卡支持的最高CUDA版本下载并安装相应的版本。安装cuDNN库:前

Docker利用Linux内核特性,提供高效、隔离的应用运行环境。其工作原理如下:1. 镜像作为只读模板,包含运行应用所需的一切;2. 联合文件系统(UnionFS)层叠多个文件系统,只存储差异部分,节省空间并加快速度;3. 守护进程管理镜像和容器,客户端用于交互;4. Namespaces和cgroups实现容器隔离和资源限制;5. 多种网络模式支持容器互联。理解这些核心概念,才能更好地利用Docker。

MinIO对象存储:CentOS系统下的高性能部署MinIO是一款基于Go语言开发的高性能、分布式对象存储系统,与AmazonS3兼容。它支持多种客户端语言,包括Java、Python、JavaScript和Go。本文将简要介绍MinIO在CentOS系统上的安装和兼容性。CentOS版本兼容性MinIO已在多个CentOS版本上得到验证,包括但不限于:CentOS7.9:提供完整的安装指南,涵盖集群配置、环境准备、配置文件设置、磁盘分区以及MinI

在CentOS系统上进行PyTorch分布式训练,需要按照以下步骤操作:PyTorch安装:前提是CentOS系统已安装Python和pip。根据您的CUDA版本,从PyTorch官网获取合适的安装命令。对于仅需CPU的训练,可以使用以下命令:pipinstalltorchtorchvisiontorchaudio如需GPU支持,请确保已安装对应版本的CUDA和cuDNN,并使用相应的PyTorch版本进行安装。分布式环境配置:分布式训练通常需要多台机器或单机多GPU。所

在CentOS系统上安装PyTorch,需要仔细选择合适的版本,并考虑以下几个关键因素:一、系统环境兼容性:操作系统:建议使用CentOS7或更高版本。CUDA与cuDNN:PyTorch版本与CUDA版本密切相关。例如,PyTorch1.9.0需要CUDA11.1,而PyTorch2.0.1则需要CUDA11.3。cuDNN版本也必须与CUDA版本匹配。选择PyTorch版本前,务必确认已安装兼容的CUDA和cuDNN版本。Python版本:PyTorch官方支

Python在自动化、脚本编写和任务管理中表现出色。1)自动化:通过标准库如os、shutil实现文件备份。2)脚本编写:使用psutil库监控系统资源。3)任务管理:利用schedule库调度任务。Python的易用性和丰富库支持使其在这些领域中成为首选工具。
