新闻详情

新闻详情

首页 / 资讯中心 / 详情

观察者模式详解

发布时间:2026/11/4 23:32:57来源:尧图网络
观察者模式详解
1. 什么是观察者模式观察者模式定义了一种一对多的依赖关系当一个对象目标的状态发生改变时所有依赖它的对象观察者都会收到通知并自动更新。它的核心价值在于解耦——目标不需要知道具体有哪些观察者观察者也不需要关心目标如何实现双方只依赖抽象的接口。2. 模式结构观察者模式包含两个核心角色Subject目标维护一个观察者列表提供添加、移除观察者的方法并在状态变化时通知所有观察者。Observer观察者定义统一的更新接口具体观察者实现该接口来响应通知。3. 代码示例下面是一个典型的 C 实现// 观察者抽象接口classIObserver{public:virtualvoidupdate(floatvalue)0;virtual~IObserver(){}};// 目标类classSubject{private:std::listIObserver*observers;protected:voidnotify(floatvalue){for(auto*ob:observers){ob-update(value);}}public:voidattach(IObserver*ob){observers.push_back(ob);}voiddetach(IObserver*ob){observers.remove(ob);}};// 具体目标classFileSplitter:publicSubject{inttotal;public:voidsplit(){for(inti0;itotal;i){// ... 分割文件floatprogress(i1.0f)/total;notify(progress);// 通知所有观察者}}};// 具体观察者进度条classProgressBar:publicIObserver{public:voidupdate(floatvalue)override{std::cout进度: value*100%std::endl;}};使用时只需把观察者挂到目标上FileSplitter splitter;ProgressBar bar;splitter.attach(bar);// 订阅通知splitter.split();// 状态变化时自动通知splitter.detach(bar);// 取消订阅4. 优点与适用场景优点目标与观察者之间松耦合可以独立扩展。支持广播通信一个目标通知多个观察者。观察者可动态订阅或取消订阅。适用场景事件驱动的 UI 框架按钮点击、进度更新。消息发布与订阅系统。数据变化需要同步刷新多个视图的场景。5. 总结观察者模式的关键是把「谁需要被通知」从目标类中剥离出去目标只负责维护观察者列表并调用统一接口具体的响应逻辑交给观察者自己实现。这样当需要新增或替换通知方式时不再需要改动目标类实现了良好的可扩展性。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/4 22:55:41

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉