每天学么点儿技术花活儿(八月篇)

数据深层拷贝

var arr1 = [1,2,3];
var arr2 = arr1;
arr1 = [9,2,3]; // 重新给arr1赋值
arr2 => (3) [1, 2, 3]   // arr2 没跟着arr1改变而变化
var arr1 = [1,2,3];
var arr2 = arr1;
arr1[0] = 9; // 重新给arr第一个元素赋值 
arr2 => (3) [9, 2, 3] // arr2 跟着arr1改变而变化

造成以上的原因是,第一种情况,arr1 指向内存的地址,随着新数组的赋值而发生了改变,而 arr2 仍然指向 arr1 之前指向的地址,故不随着 arr1 改变而发生改变,他们已经不是指向同一个地址了,而第二种情况,只修改数组中某一个下标元素,并不会新生成内存地址,故 arr1,arr2 始终指向的是同一个内存地址,所以 arr2 随 arr1 改变而改变。

由上面的现象,我们可以更好滴理解深层拷贝,通过创建新的字符串解析成 json ,得到旧数据的备份而不影响旧数据:

let newData = JSON.parse(JSON.stringify(oldData))

React编译报错 No duplicate props allowed react/jsx-no-duplicate-props

No duplicate props allowed  react/jsx-no-duplicate-props

报错原因:因统一标签内存在多个className 导致

<div className="todolist" className={this.state.showMsg?'red':'green'}>

解决方案:ES6拼接字符串,将表达式返回的类名 ‘red’ / ‘green’ 与不变的类名 ‘todolist’ 进行字符串拼接

className = {`${返回动态类名的表达式} 静态类名字符串`}
即:
<div className={`${this.state.showMsg?'red':'green'} todolist`}>
  • 0
    点赞
  • 1
    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