算法与数据结构入门 自用笔记(1.2)

接着上次逻辑结构说,

物理结构

物理结构:是指数据逻辑结构在计算机中具体的存储形式

物理结构是相对于逻辑结构而言,它更为具体,它是按照实际的电脑内部存储安排,而逻辑结构是一种抽象的概念模型

物理结构有两种:链式存储顺序存储


一.  顺序存储结构

顺序存储结构:是把数据元素存放在地址连续的存储单元里,其数据间的逻辑关系和物理关系保持一致

 

(图1.1)

举个简单的例子,例如排队,有3个人,从数字上来说,一号在二号前面,二号在三号前面,从实际排队的位置来说也是一号在二号前面,二号在三号前面,这样数据逻辑关系和物理关系对应的存储结构称为顺序存储结构


二.链式存储结构

链式存储结构:是把数据元素存放在任意的存储单元中,这些数据元素的物理位置可以连续也可以不连续

举个例子:10个人去银行取钱,先要取号,1-10号,拿到号之后他们的逻辑关系很明确,一号先来,接着二号,以此类推,但是他们不必按照1-10号的顺序站着排队,他们可以按照自己想要的位置随意坐,或者出去买个冰淇淋再回来也行,也就是说他们的物理位置不必连续

 (图1.2)

 每一个元素都可以根据他们的头尾指针(那张包含你前面那个人是谁后面那个人是谁的单)去找到前驱元素的地址(前面那个人)和后继元素的地址(后面那个人)


抽象数据类型

数据类型(data type):

数据类型:是指一组性质相同的值的集合及定义在此集合上的操作的总称

创建数据类型的起因是为了将数据归类,让一系列拥有相同特征的数据和它们拥有的相同操作打包起来归为一类方便操作

比如说,现在有很多枚零钱,有一块硬币,五毛硬币,一角硬币,五毛纸币,一块纸币,五块纸币,此时,我们归类方式有很多种,

①可以按照种类打包,它们相同特征都是硬币或者纸币(硬币打一个包;纸币打一个包)

②可以按照数额打包,它们相同特征是面值(一块打一个包;五毛打一个包等等)

综上所述,对数据进行分类的方式取决于对数据需求和操作者的需要,


 在高级程序语言中数据类型可分为两种:

  • 原子类型(atomic data type):是不可再分割的类型,包括整型、实型、字符型等等。
  • 结构类型(structure type):是若干个类型组合而成,是可以再分解的,例如字符数组是由若干字符型数据组成

什么是整型?实型?字符型

此处的原子类型和结构类型可以类比化学中的概念,原子和化合物,不论任何一种原子在化学中都是不可再分的,按照原子打包即原子类型,而结构类型类比某一类化合物,每一个化合物都是由原子组成,他们都是可以再分解的


抽象:是指抽取事物所具有的的普遍性的本质

简单来说就是将细节忽略,只在意关键组成元素

举个例子就是,对课间操的操场数据进行抽象,抽象出来的有人数,在做什么,等等,而不关注每个人的细节穿什么衣服等等


抽象数据类型

抽象数据类型(Abstract  Data  Type ,ADT):是指一个数学模型及定义在该模型上的一组操作

 此处的抽象仅仅将该数据类型的模型的数学特征抽取放置

Eg:

ADT  抽象数据类型类名{

数据对象:<数据对象的定义>

数据关系:<数据关系的定义>

基本操作:<基本操作的定义>

}ADT  抽象数据类型类名 


ADT  学生们身高和身高操作{

数据对象:<数据对象的定义:身高都是实数>

数据关系:<数据关系的定义>

基本操作:<基本操作的定义:求平均啊,找最高,找最低>

}ADT  学生们身高和身高操作

 

总结


 

打卡

2019.5.18

错误指出,侵删!     ♪(・ω・)ノ

  • 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