多线程

1.多任务处理有两种类型:
基于进程:一个进程独享内存空间
基于线程:在进程内部共享内存地址空间
2.进程是指一种“自包容”的运行流程,有自己的地址空间,线程是进程内部单一的一个顺序控制流
3.基于进程的特点是允许计算机同时运行两个或更多的程序
4.基于线程的多任务处理环境中,线程是最小的处理单位
5.进程就是一个应用程序
6.进程内部在分多任务,这个就是线程
7.进程的开销以及切换成本相对于线程来说都要多

通过两种方法创建Thread对象:

thread已经被写好,我们直接继承Thread然后重写他的run方法就行了
声明一个Thread类的子类,并重写run()方法。(mythread 这是一个子线程)

他的实现是:直接new出子类对象,调用start方法
thread已经被写好,我们直接继承Thread然后重写他的run方法就行了
声明一个Thread类的子类,并重写run()方法。(mythread 这是一个子线程)
他的实现是:直接new出子类对象,调用start方法

声明一个实现Runnable接口的类,并重写run()方法。(这种方法是将子线程对象交给真正的thread对象)

他的实现是:先new出therad对象,传入实现类对象(直接在括号里new 实现类对象),调用therad对象的start方法

这里写图片描述

这里写图片描述
线程五种状态:
新建状态:new出Thread对象(产生线程对象)
就绪状态:执行start方法之后,执行run方法之前
运行状态—(在运行中可能会有)中断状态:运行过程就是执行run方法
中断状态:就相当于是在多线程中执行字线程一,没执行主线产能或者自线程二,然后过一会儿在执行线程一
中断原因:
1.由于优先级的关系,线程没有抢到CPU。(优先级最小为一级,最大为十级、默认是五级,不代表十一定大于一,而是指他的一种几率)
2.使用sleep()方法使线程休眠(sleep到点恢复的时候不是立马执行,而是重新参与CPU的竞争)
3.通过wait()方法,使线程等待(wait—notify机制)
4.通过调用yield()方法,线程已显示出让CPU控制权(挂起,不管后续,强制性的)
5.线程由于等待一个I/O时间被阻塞(等待输入或者输出时候)
死亡状态:run方法执行完

线程安全问题:
描述:多个线程访问同一资源对象,可能会造成资源对象数据混乱
解决:使用同步(锁)的方式解决—-使用关键字synchronized
1.在资源身上使用同步关键字—-同步方法
2.在资源调用处加同步关键字—-同步块
在同步的时候可能会带来新问题—-死锁
描述:当两个线程访问一对相互依赖的同步资源对象的时候,会出现死锁问题,就是两个都是靠同一个东西才能执行,并且两个都是有synchronized,此时两个都访问不到,就需要用wait来是一个进入等待,等另一个做完在notify(唤醒)另一个
解决:用wait—-notify机制
带来的后果:线程安全了,执行效率就底。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值