常用语言的认识

现在在编程中有许多语言比如c、c++、c#、PHP、Java、python等等等。这些语言他们各有各的特点,那就让我给你们简单介绍一下。

C

C 语言是一种通用的高级语言,最初是由丹尼斯·里奇在贝尔实验室为开发 UNIX 操作系统而设计的。UNIX 操作系统,C编译器,和几乎所有的 UNIX 应用程序都是用 C 语言编写的。由于各种原因,C 语言现在已经成为一种广泛使用的专业语言。
C语言是一门面向过程的计算机编程语言,与C++、Java等面向对象编程语言有所不同。C语言的设计目标是提供一种能以简易的方式编译、处理低级存储器、仅产生少量的机器码以及不需要任何运行环境支持便能运行的编程语言。C语言描述问题比汇编语言迅速,工作量小、可读性好,易于调试、修改和移植,而代码质量与汇编语言相当。C语言一般只比汇编语言代码生成的目标程序效率低10%~20%。因此,C语言可以编写系统软件。

特点

  1. 易于学习,进行结构化编程
  2. c语言所产生的代码运行速度与汇编语言编写的代码运行速度几乎一样
  3. 预编译处理使C语言更有弹性

优点

  1. 代码量小
  2. 生成目标代码质量高,运行速度快
  3. 功能强大
  4. 跨平台,可移植性强
  5. 使用指针,灵活性强
    允许直接访问物理地址,对硬件进行操作

缺点

数据安全性有很大问题
语法限制不严格,映像程序安全性
指针太过灵活,初学难度有点大

C++

C++是C语言的继承,它既可以进行C语言的过程化程序设计,又可以进行以抽象数据类型为特点的基于对象的程序设计,还可以进行以继承和多态为特点的面向对象的程序设计。

特点

支持数据封装和数据隐藏
支持集成和重用
面向对象
支持多态性
C++ 是一种静态类型的、编译式的、通用的、大小写敏感的、不规则的编程语言,支持过程化编程、面向对象编程和泛型编程。

优点

类型检查比c语言更加严格
增加了面向对象机制
增加了泛型编程机制
增加了函数重载和运算符重载
异常处理
提供了标准库STL

缺点

没有垃圾回收机制,可能引起内存泄漏

JAVA

Java 是最典型的面向对象语言。Java 不仅吸收了 C++ 语言的各种优点,还摒弃了 C++ 里难以理解的多继承、指针等坑爹概念。今明两年毕业的大学生大多是 Java 的同龄人(1995 年)。

特点

纯面向对象
支持分布式
跨平台,移植性强
是一门编译性语言
支持多线程,高性能

优点

面向对象
稳健、安全、可移植、高性能
跨平台
编译型静态语言

缺点

编译速度慢

Python

Python 是一款服务器端解释型开源非编译脚本语言。它常被昵称为胶水语言,能够把用其他语言制作的各种模块(尤其是 C/C++)很轻松地联结在一起。

特性

解释性语言
拥有丰富的库
跨平台
可移植、可扩展
支持GUI编程
可嵌入

优点

简单,易学
免费,开源
可移植性强
属于解释性的一门动态语言
面向对象
拥有丰富的库
强制性缩进代码使得代码规范

缺点

运行速度慢
国内市场小
中文资料匮乏

PHP

PHP 是一种通用开源脚本语言。语法吸收了 C 语言、Java 和 Perl 的特点,利于学习,使用广泛,主要适用于 Web 开发领域。号称 “世界上最好的语言”

特点

独特的语法:混合了c、java\perl以及php自创的新的语法

与其他编程语言相比,更快速的执行动态网页

php支持几乎所有流行的数据库以及操作系统

可以用c、c++进行程序扩展

优点

php是一个免费开源语言

开发快,运行快,语法简单,方便学习

跨平台,效率高

具有很多成熟框架

有成熟社区支持php的开发

缺点

php是个单进程的程序,不支持多线程

只支持做web开发,不方便做.exe问件、桌面应用程序、手机程序

不适合做爬虫、自动运行脚本

后期维护比较困难,后期提速空间局限性大

JSP

JSP全称Java Server Pages,是一种动态网页开发技术。它使用JSP标签在HTML网页中插入Java代码。

特点

JSP可以直接在HTML网页中动态嵌入元素
JSP 基于Java Servlet API,因此,JSP拥有各种强大的企业级Java API,包括JDBC,JNDI,EJB,JAXP等等。
JSP页面可以与处理业务逻辑的 Servlet 一起使用,这种模式被Java servlet 模板引擎所支持。

优点

一次编写,到处运行。除了系统之外,代码不用做任何更改。
跨平台,支持多种网页格式,jsp标签可扩展性
具有非常多的免费优秀的开发工具,并且可以顺利的运行于多平台

缺点

加产品的复杂性
java的高效率运行需要占用大量的内存和硬盘空间
调试困难

go

go语言被设计成一门应用于搭载web服务器,存储集群或巨型中央服务器的系统编程语言,在高性能分布式系统领域拥有着极其高效的开发效率

特点

简洁,快速,安全
自动垃圾回收
函数多返回值
并发编程
反射
语言交互
跨平台
开源
编译型静态语言

优点

性能优越,go比python快30倍,比java快将近一倍
编译时间非常快
go编写简单,易于学习
对 gPRC 和 protocol Buffers 具有一流支持
GOFMT,强制代码格式
天生支持并发编程
强大的标准库
接近c的运行效率,接近php的开发效率

缺点

没有主要框架
错误处理机制太原始
垃圾回收器不完善
语法格式要求太过严格,禁止有未使用的变量和多余的import
对象没有构造函数和析构函数
技术比较年轻,有待后续发展

转载博客
[1]https://www.cnblogs.com/zyx110/p/10617323.html

  • 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