设计

所谓 data-driven API，指的是用户可以把“操作”作为参数，传入函数，像下面这种：

stream = dataStream('load', 'example.csv');image = dataStream('get', stream, 1);newStream = processStream('map', @(im)(sobel(im)));

这是我最近在写的图像数据库读取的工具函数，我把视频或图片文件夹抽象成一个 dataStream，并基于这个 dataStream 完成一系列读写以及图像处理操作（processStream）。

代码中的 “load”（载入），“get”（读取），“map”（...就是你所知道的 map），都代表不同类型的操作，外层的 “dataStream”和 “processStream”仅起到一个入口的作用，它们的内部包含了每个操作的实现。设计 data-driven API 的方法很容易，例如上面的流处理函数：

function varargout = processStream(action, varargin)    varargout = repmat({[]}, [1 nargout]);    [varargout{:}] = feval(action, varargin{:});endfunction newstream = map(stream, action, varargin)    % ......map 的实现（略）end

通过 varargin 和 varargout 传递可变的输入和输出参数，通过 feval 来调用对应的内部函数（例如map）即可。

至于可变参数的用法，可以参考下面两个文档：

优点

Data-driven API 解决了 Matlab 的一个缺点，即一个文件仅能放一个主函数（以及几个用户无法访问的辅助函数）。它使相同功能的函数被良好的组织到了一起，许多图像处理库都采用这种风格的设计。

脱离 Matlab 来看，Data-driven 使得开发者可以在不改变接口的情况下新增功能（例如，只要往 processStream.m 文件里加新的内部函数，就可以自动扩展 processStream 支持的操作）；

此外， data-driven 还可以让 API 支持某种程度的 ，因为操作的类型是通过字符串描述的，那么我们可以把这些字符串组织成一个文本文件，通过读取并执行这个文件，就能让 API 执行你想要的功能，或者我们可以把所需执行的操作保存到一个数组里，让 API 读取并执行这个数组。

例如，基于 processStream，我设计了一个流水线操作的函数 pipeline.m：

% 像流水线一样处理数据：% processStream('map',...) >>>> processStream('reduce',....)% 操作按照 schema 来执行，schema 就像下面这个，是个嵌套的 cell array% {%     { 'map'   , 'sobel', [3, 3] },  % 先在流中运行 3x3 的 sobel 算子%     { 'map'   , 'sharpen' }, % 在上一步的输出中运行锐化算子%     ..........% }% 这个 schema 相当于一个小的 DSLfunction result = pipeline(stream, schema)    for i = 1 : numel(schema)        args = makeArguments(stream, schema{i});        result = processStream(args{:});        stream = result;    endend% 构造 processStream 的输入参数function args = makeArguments(stream, operations)    args = {operations{1}, stream, operations{2:end}};end

总结

我认为 Data-driven API 是 Matlab 中最重要的“设计模式”（如果它有设计模式的话...），通过它，我把图像数据库抽象成数据流，并在数据流上实现了 map， foreach，flatmap，reduce 等等一系列 functional 风格的操作，基于这些操作，我把一个原本很冗长的机器学习训练脚本变得十分简洁。