python学习笔记10 函数 动态参数 作用域命名空间 global nonlocal

*动态位置参数

def  chi(*food)        动态传参:可以传入任意的参数,以tuple元组类型接收

位置参数>动态参数>默认值参数    此种情况默认值参数永远生效,要给默认参数赋值,需要使用关键字参数

**动态关键字参数 

def chi(**food)

chi(good_food="hamburger",good_drink="cola",adfasdf="sdfkasdfj")  

动态关键词参数 **动态关键字参数  可以接受关键字赋值形式的任意参数,形参命名对实参没有限制作用,以dic字典类型接收

参数位置: *args, 默认值, **kwargs

命名空间:

        1 内置命名空间: python解释内部运行时的变量函数

        2 全局命名空间: 我们在py文件中直接声明出来的变量,函数

        3 局部命名空间: 在函数内部声明的变量和函数

加载顺序: 内置>全局>局部

取值顺序: 局部>全局>内置 内部没有的话就找外部

作用域命名空间

1 全局作用域: 全局命名空间+内置命名空间

2 局部作用域: 局部命名空间

globals( ) 获取到全局作用域中的所有名字

locals( ) 查看当前作用域中的所有名字

函数嵌套: 注意没有在def函数后缩进的即为非define内容,要直接执行

global a    扩展其作用域,使a成为全局变量,如果全局变量有a,则使将全部变量的值引入

nonlocal a 扩展其作用域,将局部作用域中离它最近的变量引入

 

作业

5 传入多个实参,使他们汇总到一个元组里

def func(*abc):
    list = []
    for el1 in abc:
        for el2 in el1:
            list.append(el2)
    return tuple(list)

a = [1,2,3]
b = (22,33)
c = {'baidu','google','alibaba',544,134}
print(func(a,b,c))

 

6 传入多个实参,使他们最终汇总到一个字典里

def func(*abc):
    kwargs = {}
    for el1 in abc:
        kwargs.update(el1)
    return kwargs

a = {'name':'alex'}
b = {"age":1000}
print(func(a,b))

7.2 在局部尝试print未声明的变量时,会向外一层寻找可用变量,但尝试进行赋值操作则会报错.

10 传入n个数,求最大值和最小值

def func(*args):
    max1 = args[0]
    min1 = args[0]
    for el in args:
        print(el)
        if el > max1:
            max1 = el
        if el < min1:
            min1 = el
    return max1,min1

a = 6
b = 4
c = 7
d = 9
e =11
print(func(a,b,c,d,e))

11 写阶乘函数

def func(n):
    pro = 1
    for i in range(n):
        pro *= (i+1)
    return pro

print(func(7))

12 二重循环遍历

def func(a,b):
    result = []
    for dianshu in a:
        for yanse  in b:
            result.append((dianshu,yanse))
    return result

dianshu = ['2','3','4','5','6','7']
yanse = ['红心','梅花','方块','黑桃']
print(func(dianshu,yanse))

 

14.2

def extendList(val,list=[]):
    list.append(val)
    return list
list1 = extendList(10)
list2 = extendList(123,[])
list3 =extendList('a')

print('list1=%s' % list1)
print('list2=%s' % list2)
print('list3=%s' % list3)

 

运行结果

list1=[10, 'a'] 
list2=[123]
list3=[10, 'a']

 

如果默认值参数是一个可变的数据类型,如果有人调用的时候改变了他,那么其他位置看到的也跟着改变了(因为指向同一个内存地址).所以 list1 和list3 指向的是同一个内存地址 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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