谈谈“理论和空想”

1、今天

今天豪兄和晓冰两个生日,oh,凌晨了,是昨天才对,哈哈。刚打完火锅吃了蛋糕。

有这么一群朋友真好,吃什么都说恶心、说不好吃,刚好,都给我吃了,娃哈哈。

有这么一群朋友这好,无所顾忌,说说笑笑,关系简单。其实这里想特指的是晓冰和永仪,关系简单,没有暧昧,能说道笑的异性朋友。当然,和猪哥等损友也从一般朋友变得无所不谈。

刚清洁完,冲了凉,又趁着头发还没干写点什么。

哎呀,前天和馥馥说以后11点就要按时睡觉,今晚又熬夜了。不过也有特殊的情况嘛,馥馥原谅我哈。

2、论“理论的重要性”

这个星期的主要工作是做自动检测和下载更新,于是第一时间浮现出来的关键字:服务、线程、检测、一次、跳过、断点续传、多线程,从啊头那里还得到了两个:进程,aidl。(噢,对了,我做的是安卓开发哦。)

然而一开始,给我脑海的第一感觉就是多线程下载肯定比单线程快。为什么?能更充分利用网络资源(这个我现在都不知道我当时怎么想出来的,当然,这个答案是错的),还有就是网友们都这么说。

但我竟然没有想到,服务器的带宽是对于用户来说是贡献的,服务器是按用户连接数来分配带宽的,如果服务器把一条线程当作一个用户,那么多开线程,就可以模拟多个用户,就可以分配多些带宽进行下载。这个就是多线程下载能加速的原理。

然而,当我再次重温这个知识点的时候,它就在我脑海中浮现了出来,我之前有学过这方面的知识,没错,就是在高中的时候(高中时候对计算机兴趣浓厚,喜欢看计算机的书和资料)。但我这次竟然没有想到,原因是什么?我给我自己的答案是,理论基础不扎实,少把实质体现和理论相结合思考(下面会提到)。

接着,我就做了多线程的下载,测试结果就是,单线程比多线程还要快,并且,手机还会没那么卡。
见图:

那为什么我做的单线程比双线程还要快呢?这下,我没有谷歌没有百度,静静地思考其中。

答案就是,我做的是自己的应用更新下载,而不是下载器,我不用和其他的下载器抢资源,所有连接到这个服务器去下载这个apk的,都是通过我这个程序去实现下载,那么,我还有必要去实现多线程去抢带宽吗?貌似已经没有了这个需要。如果实现多线程,那会发生什么事情呢?假设只有我一个人连接服务器,但我实现了双线程,服务器就会把我当成两个用户,然后把带宽平分给我这两条线程,但,真的做得了平分?这其中必然会有损耗。(这是我自己想的,这下应该没大问题了吧?如果有的话还望高人指点)。

所以,如果没有理论,就要自己用时间去实践来验证这其中的真理。这过期其实也有得有舍,得的是自己验证了一次原理,舍的是时间,这又体现一个人在某一时间阶段的价值观问题。

最后决定用单线程实现。

3、谈空想

空想,好像形容得有点不恰当,但想不到第二个词语了,就用这个吧。

空想,我这里的空想指的是刚才上面说到:实质的体现和理论相结合思考。

通常,在功能或效果实现之前,空想的用处,往往是在搭建思路。

而在功能或效果实现之后,或者修改别人的功能和效果的时候,往往能起到重构和发现bug的作用。

其实还不止,空想不但能给你带来对项目的贡献,空想多了,理论的知识会相结合,更加巩固。空想出来的又实践了,会再次验证原理的所在。这对后续的思维发展起了辅助的作用。

但,只会空想,而不会实践是不行的。粤语有句顺口溜:讲就天下无敌,做就有心无力。这种人,我们不能做。

4、最近

最近下班回去接触的新技术比较多,也在看37signals(现已改名为Basecamp)出品的《rework》,想法也比较多,side project的idea也比较多,一个个mark下来,一个个去实现。

呼!头发也干了,就写到这里吧。服务器维护,没有网络,明天再push。明天跟猪哥去烧烤蹭吃蹭喝。晚安。

  • 1
    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