python学习笔记20 伪装属性类方法静态方法多继承C3算法

 

@property 属性: 将一个方法伪装成一个属性,在代码的级别上没有本质的提升,但是让其看起来更合理

将 property 函数用作装饰器可以很方便的创建只读属性

@属性名.setter 装饰器 可被类外的 赋值指令 自动触发,通常用作对私有属性赋值

@属性名.deleter  装饰器,可被类外的 del 指令自动触发,通常用作对私有属性删除

 

@classmethod 类方法装饰器

类方式:通过类名调用的方法,类方法中第一个参数约定俗成为 cls,python自动将类名(类空间)传给cls

对象调用类方法时,cls得到的是该对象的所属类

类方法的应用场景:

1. 类中有些方法不需要传入对象,不要对象的一切场景

2 修改类中的静态变量时(无需传入对象参数)

3继承中,父类得到子类的类空间,可以对子类的内容进行修改

 

@staticmethod 静态方法装饰器

静态方法的作用:

1. 使代码块逻辑清晰

2. 复用性

 

类多继承c3算法

 

A(B,C,D)

#首先找到A继承的三个类的深度继承顺序,放到一个列表中
L[B] = [B,D,F,H]    #B往上面的继承顺序
L[C] = [C,E,G,HJ]   #C往上面的继承顺序
L[D] = [D,F,H]      #D往上面的继承顺序

第二步:A自己的广度,第一层
L[A] = [B,C,D]

list = [A,B,C,D,F,E,G,H,O]

具体算法:
# 0 定义:每个列表的第一个元素为头部,其他部分为尾部
# 1 选定第一个列表
# 2 以列表头部(举例为B)为查找项,查找其他列表尾部是否含有B
# 3 如果没有,将B提取出来放到备用列表中,同时删除所有列表中的头部B,并对第一个列表进行步骤2操作
# 4 如果有,对下一个列表进行步骤2操作

# 只要提取出来一个,就从第一个列表的头部接着重复上面的操作
1 [B,D,F,H] [C,E,G,H]   [D,F,H] [B,C,D]
2 [D,F,H]   [C,E,G,H]   [D,F,H] [C,D]
3 [D,F,H]   [E,G,H]     [D,F,H] [D]
4 [F,H]   [E,G,H]     [F,H] []
5 [H]   [E,G,H]     [H] []
6 [H]   [G,H]     [H] []
7 [H]   [H]     [H] []
8 []   []     [] []

 

 

 

 

  • 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别。由于各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: 分问题:判断图像中的目标属于哪个别。 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 基于深度学习的目标检测算法主要分为两大: 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。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
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别。由于各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: 分问题:判断图像中的目标属于哪个别。 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 基于深度学习的目标检测算法主要分为两大: 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。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