Atitit 技术学习 的方法总结 attilax总结 目录 1.1. 跨框架 1 1.2. 跨语言学习法 1 1.3. 概念学习法 1 1.1 在比较中学习 多语言  2 1 1.3 .2 在历史

Atitit 技术学习 的方法总结 attilax总结

 

目录

1.1. 跨框架 1

1.2. 跨语言学习法 1

1.3. 概念学习法 1

1.1 在比较中学习 多语言 2 1

1.3 .2 在历史中学习  4 1

2. 自己动手实现学习法 2

2.1. 标准化学习法 了解是否有相关标准化,是如何实现的 2

2.2. 原理,内部构成学习法 3

3. Ref 3

 

 

    1. 跨框架
    2. 跨语言学习法
    3. 概念学习法

 

都可以完善具体的实现模式

 

 

比如学习orm 就有hb mybatis 等不同的实现模式

学习io ,上传,就有php net java等不同语言的不同实现模式

 

    1. 在比较中学习 多语言 2

    2. 语言不同,规则不同  2
      c语言和ruby语言中的真假值  3
      java语言中的真假值  3
    3. .2 在历史中学习  4

    4. 理解语言设计者的意图  4
      应该学哪种语言,我们无从所知  4
      学习适用于各种语言的知识  

1.2 在历史中学习

理解语言设计者的意图

设想你在阅读关于编程语言某种功能的介绍时,脑子里总有一种不够透彻的感觉。这时,你想知道为什么需要这种功能。

编程语言也是人创造出来的。知道了语言设计者为解决何种问题而创造了这种语言,以及这种语言经历过怎么样的历史变迁后,慢慢地就能理解为什么需要有这种功能了。

学习适用于各种语言的知识

现在还有很多被不同人以不同理由推荐学习的编程语言。然而,在 5 年后、10 年后,单个语言的知识是否依然有用?没人能说清楚。通过比较不同的语言、了解语言的发展历史及其变化原因,培养对不同语言都适用的理解能力,是非常重要的。

1.3 小结

本书并不是只介绍某一特定语言,而是着眼于学习具有普遍适用性的知识。为此,我们使用“在比较中学习”和“在历史中学习”这两种方法。

“在比较中学习”不是学习某种特定语言的编程,而指的是同时比较几种语言,从而掌握哪些知识是因语言不同而不同的,哪些知识是几种语言共通的。

“在历史中学习”指的是探寻语言是如何变化的,以及在发生变化前存在哪些问题,从而理解语言为何开发出各种功能。

  1. 自己动手实现学习法
    1. 标准化学习法 了解是否有相关标准化,是如何实现的

是否有dsl

了解原理,内部构成,与实现流程

自己动手实现来实现

查找资料,有几种不同的实现模式,有什么区别优缺点

查找资料其他语言是怎么实现的。

找到最简化的实现(开发效率考虑。。

与外部的互操作

 

比如学习数据库

分类,数据库的种类nosql sql数据库 kv数据库等

尽可能了解sql标准演进 以及新特性

 不同的数据库sql之间的区别

Sql语言与java这类语言的区别,语言体系位置

了解数据库原理理论学习,

了解数据库构成(sql引擎,索引引擎,事务引擎,存储引擎

自己实现一个简化版数据库,理解各个部分组成与概念功能

其他语言是怎么访问数据库的(。Net php node。Js等)

连接数据库的最佳实践

 

    1. 原理,内部构成学习法

 

  1. Ref

Atitit   技术学习法 概念学习法  跨框架与 跨语言学习法

代码之髓:编程语言核心概念 - 代码之髓 (豆瓣)

 

 

 

 

 

  • 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挑选出最具代表性的结果,这样可以加快算效率,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
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