Java

  1. 数据类型

Java

整型

byte 1字节

java的类型范围不会随着平台而发生改变,不像c/c++那样依靠硬件。

short 2字节

int 4字节

long 8字节

浮点型

float 4字节

double 8字节

字符型

char

不要轻易使用

布尔类型

false true

整型值和布尔值不能互换

进制问题

计算机中有四种进制,十进制,八进制,十六进制,二进制。

其中应用最为广泛的是十进制,八进制的数值常常以0开头,很容易与其后的数值混淆,所以不建议使用八进制。

十六进制以0x为前缀,0-F为数值范围,从Java7开始,以0B为前缀可以书写二进制数值。

Long型数值以L结尾,float型数值以F结尾,double型数值以D结尾。

字符串

字符串在Java中为不可变序列,字符串的方法都是返回一个新的字符串。

Substring函数可以截断字符串形成新的字符子串。

空串是一个Java对象,有着自己的长度0和内容为空,string还可以存储一个特殊的值null。

要检查字符串不是null,要用str==null,检测字符串既不是null,也不是空串,str!=null&&str.length()>=0。

Stringbuilder为可变的字符串序列。

Java中数字不能转变为布尔类型,想要转换的话,可以用三元运算符设置条件,返回布尔类型。

 

JavaScript

与Java不同,JavaScript可以随时更改数据的类型,JavaScript的数据类型分为原始类型和对象类型。也可以分为可变类型和不可变类型,比如对象和数组属于可变类型,而数字,布尔和null为不可变类型,你不可以修改的他们的值。

JavaScript的变量用var声明,他们是无类型变量。

数字

不区分整数值和浮点数值,一个数字直接出现被称为数字直接量。浮点数值可以采用科学计数法,e记录。

文本

字符串是由16位值组成的不可变有序序列,每一个字符都是unicode字符集。

在html中一般用单双引后表示字符。

布尔

false和true,在javascript中任何的类型都能转变为布尔类型,其中undefined,null,0,-0,nan,””空字符串都为false。

 

算术运算发生溢出,下溢和被零整除时,JavaScript不会报错,当数字运算发生上溢结果为无穷大时,JavaScript返回一个特殊值infinity超出负数范围时,以负无穷大-infinity记录。

下溢发生时,结果无限接近0,JavaScript会返回0,整数被零除,会简单返回正负无穷大。

0除0没有意义,但会返回一个特殊数值NaN,任何数值与它运算都返回NaN,它与任何值都不相等,包括它本身。

进制问题,JavaScript不采用八进制数字,容易出错。

浮点数运算问题,计算机的浮点数都是二进制,无法表现出金融运算中的四舍五入问题,目前JavaScript没有解决这个问题。

 

JavaScript中非常重要的概念,全局对象。不在函数内的变量。全局变量可以不用var声明。

可以通过global找到函数变量,在客户端JavaScript中,window是就充当了全局变量。

JavaScript中的==和===,==表示值相等,而===表示值相等,对象也要相等。

==判断两个类型是否值相等时,因为JavaScript有灵活的类型转换所以要转换成数字后在比较两者相等。

显示的类型转换,Number(),String(),Boolean()和 Object()函数。

专门的类型转换函数。

toString函数。

toFixed(int)可以指定小数位将数字转换成字符串

toExponential()

toPrecision()

字符转数字。

parseInt parseFloat为全局函数,parseInt默认参数1为字符串,默认参数2可选,为进制,可以为2,8,16,10,36。

对象转换的两个方法,一个更为广泛的tostring函数和valueof函数。

 

PHP有8中数据类型,5种为数量型,剩余的3种有他们的独特点,同JavaScript一样,PHP不用事先声明类型,变量将根据它们包含的值得特点运行。

整型

32位带符号的整数组成

浮点型数字

与C平台上的double相同,8位带符号的浮点数

float double real科学计数法

字符串

一串字符并由null结尾的序列。双引后,单引号,定界符可以规定字符串,其中单引号仅支持两种转义字符的使用,而定界符以<<<开头,其后的字符串中不能再出现。

Boolean

根据实际,PHP会转换变量的类型,其中对象,资源的布尔值总为true。

NULL

一个只有一个值的数据类型

资源resource

用于表示PHP的外部资源,如数据库的访问,打开一个文件夹

数组

PHP中的数组是一个键/值得集合。它得值可以是任何数据类型

常量

定义一次的全局变量,不用美元符号开头。

Define(name,vaule,true/false)true为真为大小写不敏感。

 

Java

大数值

Java.math包中的两个类BigInteger和BigDecimal进行大数值的精密计算。

不能运用加减乘除方法,而是用该类的方法进行数据操作运算,

 

Java数组

数组使用前必须声明,声明操作不同传统的C语言。

Int [] array; int [][] array.

用关键字new创建数组大小

New 数据类型[数组长度]

 

遍历循环

For each

For(数据类型 var: 数组名称){ }

数组拷贝

返回值为数组 copyof(原数组,长度)

Java.util.Arrays

toString, copyOf, copyOfRange, sort, binarySearch, fill, equals方法。

Array.deepToString打印二维数组。

 

 

JavaScript

 

Var arr=[]; or = new Array();

创建一个空数组。

Array(len)创建有长度的数组。

 

数组的方法/

Push,pop,shift,unshift,splice,delete.

Array方法

Join reverse sort concat slice切片操作返回一个新的数组

Splice在指定位置插入数据

 

ECMAScript的九个方法

Foreach()三个参数,依次为数组元素,索引,数组对象

Map, filter, every, some, reduce, reduceRight, indexof, lastindexof

 

判断数组

Array.isArray([]) 数组true

Array.isArray({}) 对象false

([]) instanceOf Array true

({}) instanceOf Array false

 

类数组对象

在JavaScript中数组是一类特殊的对象。

可以从Array.prototype继承数组的部分方法

 

 

PHP

数组

array([key=>] value, [key=>] value,……);

foreach($array_name as [$key=>] [&] $value)

 

 

  1. 运算符

Java

           Char

 

Byte->short-> int   ->   long

            Float   ->  double

二元运算

Java沿用C的做法,逻辑运算,与,或,非。&&,||,!。

位运算符。

与,或,异或,非。&,|,^,~。

<< 和>>,移位运算符,右移,左移运算。

Java不能用==判断两个变量是否值相等,需要用到函数equal.==为严格相等。

Java浮点数求余运算

计算公式:a % b = a - (b * q), 其中:q = int(a / b)


示例: 5.2 % 3.1 = 5.2 - 1 * 3.1 = 2.1 
          5.2 % -3.1 = 5.2 - (-1) * (-3.1) = 2.1 
        -5.2 % 3.1 = -5.1 - (-1) * 3.1 = -2.1 
      -5.2 % -3.1 = -5.1 - 1 * (-3.1) = -2.1
 

JavaScript

delete运算符,删除变量定义。

/运算的对象都是浮点数,5/2=2.5,%求余运算也适用于浮点数和负数6.5%2.1=0.2

位运算与Java等同

 

==和===严格相等运算符

==判断过程中允许进行数据类型转换,判断它们的值是否相等。

===判断过程中不许进行数据类型转换,如果类型不相等,返回值为假。

JavaScript中只有数字和字符串能进行比较大小的运算。

In运算符,希望它的左操作数是一个字符串或者可以转换成字符串,右操作数是一个对象。

instanceof希望左操作数是一个对象,而右操作数是数据类型,与java等同。

eval函数,只有一个参数,如果参数不是字符串,会直接返回该值,如果是字符串编译成功后,执行代码。

条件运算符,三元运算?:。

typeof,一元运算,返回值的数据类型。

viod运算符,出现在操作数之前,它代表操作数的类型可是任意类型。

 

 

PHP

PHP仅能执行数据类型相同的操作数。当操作数不同时,将进行数据类型转换。

其中如果整型,字符串时,字符串转换成整型,如果字符串转换过来是real类型,两个操作数要转换成real类型。

操作数是real类型,操作数都要转换成real类型。

布尔,null,资源与整型类似,它们将转换成整型。

 

二元运算,加减乘除摸的操作数都是数字,其他数据类型要转换成数字进行操作。

 

串联运算符(.),只进行字符串操作,任何的数据类型都会转换成字符串。

 

&引用运算符,相等于赋值地址。

==,===和JavaScript相同。

逻辑运算符,

And && or|| xor疑惑。

位运算符

& | ^ ~

 

  • 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 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称为极大值抑制,作用是从众多预测边界框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
图像识别技术在病虫害检测的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统,可以是移动应用、网页服务或集成到智能农业设备。 7. **实时监测**:在实际应用,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测的应用将越来越广泛。
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(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 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称为极大值抑制,作用是从众多预测边界框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
图像识别技术在病虫害检测的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统,可以是移动应用、网页服务或集成到智能农业设备。 7. **实时监测**:在实际应用,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测的应用将越来越广泛。
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