设计模式
Published:
工厂模式
设计模式的工厂模式是一种创建型设计模式，用于处理对象的创建过程，将对象的创建和使用分离。这种模式对于管理对象的创建逻辑非常有用，尤其是在需要灵活地生成不同类型的对象时。
工厂模式的关键概念：
封装性：工厂模式隐藏了对象创建的具体细节，调用者不需要知道对象是如何被创建和表示的。
扩展性：当需要添加新的对象类型时，只需添加相应的具体产品类和工厂类，而无需修改现有代码，符合开闭原则（对扩展开放，对修改封闭）。
解耦：对象的创建逻辑和使用逻辑分离，降低了系统各部分之间的耦合度。
工厂模式的分类：
简单工厂模式：通过一个单一的工厂类来创建不同的对象。简单工厂模式不是真正的设计模式，因为它没有将创建逻辑封装起来。
工厂方法模式：定义了一个用于创建对象的接口，让子类决定实例化哪一个类。这把对象的创建推迟到子类。
抽象工厂模式：创建相关或依赖对象的家族，而不需明确指定具体类。当需要支持多个产品族时使用。
工厂模式的结构：
- 产品（Product）：定义了产品的接口，产品是工厂模式创建的对象。
- 具体产品（Concrete Product）：实现了产品接口的具体类。
- 工厂（Factory）：定义了创建产品的接口，声明了创建产品的方法。
- 具体工厂（Concrete Factory）：实现了工厂接口，生成具体产品对象。
工厂模式的使用场景：
- 当创建逻辑复杂时，使用工厂模式可以将创建逻辑封装在工厂内部。
- 当一个类不知道它所必须创建的对象的类时。
- 当需要通过不同的工厂生成不同的产品族时。
优点：
- 低耦合性：客户端不需要知道具体的类是如何实现的，只需要知道工厂的接口。
- 代码可维护性：新增产品时，只需新增相应的类和工厂类，无需修改现有代码。
- 可扩展性：容易扩展，增加新的产品和工厂类不会影响现有系统。
缺点：
- 增加系统的复杂度：每增加一个产品类别，都需要增加一个具体类和产品类，可能会导致系统中类的数量急剧增加。
- 增加系统的抽象性：在添加新的产品类时，需要对工厂的接口进行扩展，这可能需要修改抽象工厂类及其所有子类。
我们下面看一下具体的简单工厂模式的例子：
import collections
from itertools import repeat
from typing import List, Dict, Any
def _ntuple(n, name="parse"):
def parse(x):
if isinstance(x, collections.abc.Iterable):
return tuple(x)
return tuple(repeat(x, n))
parse.__name__ = name
return parse
_single = _ntuple(1, "_single")
_pair = _ntuple(2, "_pair")
_triple = _ntuple(3, "_triple")
_quadruple = _ntuple(4, "_quadruple")
if __name__ == '__main__':
print(f'{_pair(3)}')
print(f'{_pair((3,3))}')
Output:
(3, 3)
(3, 3)
我们通过_ntuple()来创建输出不同长度tuple的函数，比如我们创建_pair，即不管输入是1个字符，还是2个字符，返回的都是2个字符。
这个的一个非常常用的场景就是Pytorch中，我们给kernel_size、padding等传入一个数字时，pytorch也可以解析为一个tuple。
CLASS torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)
Parameters
in_channels (int) – Number of channels in the input image
out_channels (int) – Number of channels produced by the convolution
kernel_size (int or tuple) – Size of the convolving kernel
stride (int or tuple, optional) – Stride of the convolution. Default: 1
padding (int, tuple or str, optional) – Padding added to all four sides of the input. Default: 0
padding_mode (str, optional) – 'zeros', 'reflect', 'replicate' or 'circular'. Default: 'zeros'
dilation (int or tuple, optional) – Spacing between kernel elements. Default: 1
groups (int, optional) – Number of blocked connections from input channels to output channels. Default: 1
bias (bool, optional) – If True, adds a learnable bias to the output. Default: True
可以看到 kernel_size可以为int，也可以为tuple。通过上面例子的工厂函数，就可以实现这样的需求。
我们上面列出的这个_ntuple()函数，正是pytorch源码中的函数。