红宝书学习笔记3 -- Set和WeakSet类型

1. Set

Set有点类似数组,但是Set和数组最大的不同在于Set中不能存在相同的元素。

new Set([1,2,3,4,1,2,3,4]); // { 1, 2, 3, 4 }

其次,Set的内置函数也没有数组那么丰富。主要有:add()has()delete()clear()keys()values()entries()forEach()

// 1、初始化 Set
const set = new Set();
// 2、添加值
set.add(1);
set.add(2);
set.add(3).add(4); // Set(4) {1, 2, 3, 4}
// 3、删除值
set.delete(1); // true
console.log(set); // Set(3) {2, 3, 4}
// 4、查找值
set.has(3); // true
set.has(1); // false
// 5、清空 Set
set.clear();
console.log(set); // Set(0) {}
// 6、遍历 Set
set = new Set([1,2,3,4]);
for (const key of set.keys()) {
	console.log(key);
}
/*
 * 1
 * 2
 * 3
 * 4
 */
for (const value of set.values()) {
	console.log(value);
}
/*
 * 1
 * 2
 * 3
 * 4
 */
for (const item of set.entries()) {
	console.log(item);
}
/*
 * [1,1]
 * [2,2]
 * [3,3]
 * [4,4]
 */
// 注意:values()为默认迭代方法,keys()为values()方法的别名
set.values === set[Symbol.iterator] === set.keys
// 因此可以直接这么用
for (const val of set) {
	console.log(val);
}
/*
 * 1
 * 2
 * 3
 * 4
 */
// 也可以使用forEach()方法遍历,使用方法和数组的forEach()相同
set.forEach((key, value) => {
	console.log(key, value);
});
/*
 * 1 1
 * 2 2
 * 3 3
 * 4 4
 */

除上面的方法外,Set还有一个实例属性size。表示Set实例的长度。

const set = new Set([1,2,3,4]);
set.size // 4

Set可以使用解构

const set = new Set();
set.add(1).add(2).add(3); // Set(3) { 1, 2, 3 }
[...set] // [1,2,3]

利用Set内不能存在相同元素的特性,我们可以用Set来做数组的去重。

let arr = [1,2,3,4,2,3,4,1,2,5];
// 使用 Set 去重
arr = [...new Set(arr)]; // [1, 2, 3, 4, 5]

使用Set实现并集、交集、差集、对称差集

// 实现并集
function union(first, ...others) {
	const unionSet = new Set(first);
	for (const set of others) {
		for (const setValue of set) {
			unionSet.add(setValue);
		}
	}
	return unionSet;
}
// 实现交集
function intersection(first, ...others) {
	const intersectionSet = new Set(first);
	for (const value of intersectionSet) {
		for (const set of others) {
			if (!set.has(value)) {
				intersectionSet.delete(value);
			}
		}
	}
	return intersectionSet;
}
// 实现两个集合的差集
function difference(a, b) {
	const set = new Set(a);
	for (const bValue of b) {
		if(set.has(bValue)) {
			set.delete(bValue);
		}
	}
	return set;
}
// 实现两个集合的对称差集
function symmetricDifference(a, b) {
	return difference(union(a, b), intersection(a, b));
}

2. WeakSet

WeakSetWeakMap类似,WeakSet的元素只能是对象类型的。只有以下的方法:

const ws = new WeakSet();
const obj = {
	o: { msg: 'message' }
};
// 1. 添加元素
ws.add(obj.o);
// 2. 查找元素
ws.has(obj.o);
// 3. 删除元素
ws.delete(obj.o);

WeakMap一样,WeakSet也不能遍历,是一种弱映射,里面的元素不会被计入垃圾回收机制,只要元素引用清空了对应WeakSet也会清空。
WeakSet的应用没有WeakMap那样广泛,但是它可以用来给DOM元素做一个标记。例如:我们需要给某个元素设置禁用的标记。

const btn = document.querySelector('button');
btn.setAttribute('disabled', true);
const set = new WeakSet();
set.add(btn);
// 通过查找 set 中是否存在对应元素来判断这个元素是否被禁用了
set.has(btn);

这样的好处是如果DOM节点删除了,那么set内对应的元素也会被垃圾回收机制回收。避免了内存占用。

  • 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