Python:设计模式之设计模式简介

简介: Python:设计模式之设计模式简介

1、面向对象

对象
    应用程序内的实体
    定义对象的属性(数据成员)和行为(成员函数)
    构造函数:初始化对象状态
    模板,利于复用
方法
    表示对象的行为
    处理属性,实现功能

2、面向对象的主要概念

封装:

数据和方法的隐藏
多态:
对象根据输入参数提供方法的不同实现
不同类型的对象可以使用相同的接口
继承:
不同类的对象之间建立层次结构
抽象:
客户端不需要知道内部实现
组合:
无需通过继承就可以实现基本功能的跨模块使用

3、面向对象的设计原则

开放封闭
开放扩展,封闭修改,向后兼容
控制反转
细节依赖于抽象
接口隔离
客户端不应该依赖于他们不需要使用的接口
单一职责
类的职责单一,引起类变化的原因单一
替换原则
派生类必须能够完全取代基类

4、设计模式概念

解决特定问题的解决方案
从别人的成功中学习

5、模式分类

创建型
结构型
行为型

参考

《Python设计模式第2版》第一章 设计模式简介

            </div>
目录
相关文章
|
7天前
|
数据采集 人工智能 安全
|
16天前
|
云安全 监控 安全
|
2天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
266 155
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
206 105
|
10天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
724 5
|
13天前
|
人工智能 自然语言处理 API
一句话生成拓扑图!AI+Draw.io 封神开源组合,工具让你的效率爆炸
一句话生成拓扑图!next-ai-draw-io 结合 AI 与 Draw.io,通过自然语言秒出架构图,支持私有部署、免费大模型接口,彻底解放生产力,绘图效率直接爆炸。
815 153