Python学习

国外牛人说要多学习不同的编程语言,感受它们的不同艺术,学习其长短,有利于开拓思维。所以除了JAVA,一直想找另外一门比较轻便的语言来学习,例如,Python!好,让我们坐上 google 旅游大巴,去享受Python吧!

Vamei写的傻瓜基础教程:

http://book.douban.com/doulist/1619790/

学一门语言希望知道为啥它值得学习?与你现在所掌握的有何不同。下面的文章挺好的:

http://blog.segmentfault.com/hlcfan/1190000000361407 (外国人写的图文并茂,国人翻译的)

中国人很多太浮躁。做技术的我希望不要浮躁。Python很简单,但是似乎底层的实现都屏蔽了,作为一名程序员,我还是推荐用JAVA作为职业生涯的学习语言。当然如果你会C那就更好了。


好了,下面介绍下如何在windows下面使用Python:

下载安装:

https://www.python.org/ftp/python/2.7.6/python-2.7.6.msi

安装后都不用设置什么PATH之类的,如何开始编程请看下面:

http://www.crifan.com/files/doc/docbook/python_beginner_tutorial/release/htmls/ch04_python_dev_env.html#how_dev_python_in_window(图文并茂)


bookmark: http://www.cnblogs.com/vamei/archive/2012/07/03/2574436.html

To be continued...


windows下安装cx_Oracle:

1. 百度搜索适用版本的 简易 oracle client ,例如 instantclient-basic-win32-11.2.0.1.0.zip; csdn有资源

2. 解压到某路径,将此路径加入 PATH

3. 百度搜索使用版本的 cx_Oracle , 例如 cx_Oracle-5.1.2-10g.win32-py2.7.msi, 安装

4. 验证:

>>> import cx_Oracle
>>> conn = cx_Oracle.connect("usr/pwd@123.13.23.4:1800/test")
>>> cursor = conn.cursor()
>>> cursor.execute("select 1 from dual")
<__builtin__.OracleCursor on <cx_Oracle.Connection to usr@123.13.23.4:1800/test>>
>>> row = cursor.fetchone()
>>> print row[0]
1
>>> cursor.execute("select * from 888")

Traceback (most recent call last):
  File "<pyshell#7>", line 1, in <module>
    cursor.execute("select * from 888")
DatabaseError: ORA-00903: ????

>>> cursor.execute("select * from sales_orders where rownum = 1")
<__builtin__.OracleCursor on <cx_Oracle.Connection to usr@123.13.23.4:1800/test>>
>>> rows = cursor.fetchall()
>>> for row in rows:
	print row

(214237, 100037, 'LS2012090300494abc', '20828031Q6H71', 'DELIVER_ALL', 'FINANCE_AUDIT_YES', 'PRE_DISTRIBUTION_YES', 'DISPATCH_ALL', 'INVOICE_ALL', 'NONE', datetime.datetime(2012, 8, 28, 23, 20, 1), '1', 1, 105287, 124743, 117012, '???', '???', '???', None, '13302607047', None, None, 102878, '???????C175?', '523686', datetime.datetime(2012, 8, 29, 22, 45, 5), None, 1099, 0, '1', 1099, '???', None, None, '???', 102878, '???????C175?', '13302607047', None, None, 'A', '1', None, 'D', None, None, None, 105317, '?????', datetime.datetime(2012, 9, 3, 9, 23, 49), '??', datetime.datetime(2012, 9, 3, 11, 41, 52), 'false', 'false', 'false', 0, None, None, 'SHIPPED_ALL', 'SHIPPED_ALL_OVER', 'PAYED', 'VERIFICATION_ALL', 'NONE', None, 'NONE', 'D', 'D', None, None, None, None, 'ORDER_TRUNED_TO_DO', 0, None, '1', None, None, None, None, None, None, 'DIRECT', None, None, None, None, None, None, None, None, None, None, 118697, None, None, None, None, None, None, None, None, None, None, None, 0, 1, None, None)
>>> print rows[0][0]
214237
>>> print rows[0][2]
LS2012090300494abc
>>> print cursor.rowcount;
1
>>> cursor.close()
>>> conn.close()







  • 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