初识Python函数

1.Python函数让我很兴奋的地方

    说实在的,对于有一些编程经验的人来说,函数这个东西并不陌生,因为编程语言的一些限制,函数在编写的过程中会存在一些
让人不开心的限制,当有些场景无法满足的时候,我们只能另寻其法了。
    在学习没一门语言之前,都是要看看这个语言的特点,也就是让我们继续学下去的理由。很好,Python中对于基础知识点里面提
到了一个比较有新意的一点:Python中的函数支持多返回值!哎呀,这个简直就是太好了。在其他语言中,比如C、C++、Java的函数
都只支持单返回值,要实现多参数返回就只有另想办法,比如封装,比如利用引用/指针,但是通过这样的方式虽然能完成任务,但是
存在一些其他的问题。就比如利用封装一个新对象来完成这个事情,这无疑是增加了程序猿的一个工作量,还有就是在Java的项目中
我们经常将返回给前台的字段都封装到同一个VO中(用于返回给前台的一个可序列化的对象),接口定义多了,VO的字段也在不断的庞大,
看着这么庞大的一个对象,看着都不舒服,这是我的第一感受。其次,再说说通过引用/指针的方式(在Java中叫引用,在C/C++中叫指针,
指针和引用还有一点点小区别,这里不做讨论了哈),首先指针式一个很强大的工具,可以指向你想指向的内存区域,所以指针又是一个
慎用的工具,换句话来说,指针使用有风险,风险的大小根据应用场景和攻城狮的掌握程度相关...  ...
    所以,Python既然支持函数多返回,这在这方面将是一个吸引人的地方。(除了Python,GO语言也有这一特性,happy!!!)

2.Python函数基础

有过编程经验的同学,当学习到这里的时候,其实就是学习一下基本语法还有就是特有的东西,其他的也不用赘述太多。当然,动手是必要的!
来吧,看代码,我这里将Python的最基本的函数都封装到一个py里面,在另外一个py里面调用演示一下就行了。
#FileName : funcs.py
def hello_world():
	print('This is functions of hello_world ... ')

def split():
	print('\n********************************************')

#第一个带参函数
def sum(x,y):
	return x*y

def change_string(str):
	#str[0] = '5'
	str = 'qweasdzxc'

#关键字函数
#关键字函数调用的时候,参数顺序可以不一样,但是参数名必须和声明的一样,否则将会报错
def keys_function(name,age):
	print('name = ',name);
	print('age = ',age)
	return;

#带有默认参数的函数,在调用函数的时候,默认参数可以不传递,此时该参数将使用默认的值	
def default_func(name,age=0):
	print('name = ',name);
	print('age = ',age)
	return;
	
#不定参数函数,参数将以元组的方式传递到函数内,参数声明由一个*加上参数名构成
'''
这种不定参函数还有一些其他约束,比如:
	1.不定参数只能有一个
	2.我们习惯上把不定参数放在参数列表的最后,这样我们方便调用
	3.如果不定参数没有放在参数列表最后,则不定参数后面的参数必须以关键字参数调用的方式调用或者参数有默认值
'''	
def vars_func(*args):
	print(args)

#另一种不定参函数是以字典的方式传递到函数内,参数声明由两个*加上参数名构成
#在传递参数的时候,key不能使用引号引起来,否则将会报错。同时,key也不可以是数字	
def map_vars_func(**args):
	for key,value in args.items():
		print(key,value)
	
#lambda匿名函数
sum2 = lambda a,b:a+b	

#多返回函数
#实际上返回的是一个元组,只是如果你用多个变量接受函数返回的时候,python会将元组对应位置的值赋值给对应变量而已
def return_vars(x,y):
	return x**2,y**3
下面是函数调用的py
#FileName : test.py
import funcs

funcs.split()
#调用hello_world
funcs.hello_world()


funcs.split()

#调用第一个带参数函数
print('funcs.sum(12,45) = ',funcs.sum(12,45))

funcs.split()

str = '123456789';
funcs.change_string(str);
print('str = ',str)

funcs.split()
funcs.keys_function(age=12,name='wer')

funcs.split()
funcs.default_func('这是name参数')

funcs.split()
funcs.vars_func(1,2,3,4,'a','sdf')

funcs.split()
funcs.map_vars_func(a=1,name=98)

dict = {1:2,'name':'老刘'}
for key,value in dict.items():
	print(key,value)

funcs.split()
print('funcs.sum2(100,25) = ',funcs.sum2(100,25))	#验证函数多返回只是返回了一个元组
	
funcs.split()
x,y = funcs.return_vars(3,4)	
print('x = ',x)
print('y = ',y)
#验证使用变量接收返回值是将元组中的值赋值给了变脸,这个新变量和元组就脱离了关系,就可以改变了
y = y -1
print('y = ',y)
print('funcs.return_vars(3,4) = ',funcs.return_vars(3,4))
这里简单说明一下
	1.split函数仅仅是为了在控制台输出一行****分隔输出方便识别
	2.import 模块,这个没有忘记吧
	3.Python中函数多返回实际上就是一个包装,函数实质上就是返回了一个元组。
还有一个场景:并不是所有的返回值我们都用得上,那么我们如何仅仅只获取某一些返回值呢。我相信很多人都立马想到了使用元组。
那么,还有其他方式吗?请看代码:
#FileName : funcs2.py
#定义一个函数,返回3个值
def return_three(x,y,z):
	return x*2,y*3,z*4

if __name__ == '__main__':
	#第一种方式,使用元组来实现目标
	tup = return_three(1,2,3)
	print('tup1 = ',tup[0])
	print('tup2 = ',tup[1])
	print('tup3 = ',tup[2])
	#打印效果我就不贴上来了,请自行运行查看
	#第二种方式,使用占位符
	#假设我们想获取第二个返回值,其他的不要
	_,y,_ = return_three(2,4,6)
	print('y = ',y)
	#细心的童鞋可能也发现了,_其实也是一个变量,也是有值的
	print('_ = ',_)
	print('===================占位符在最后==================')
	x,_,_ = return_three(10,20,30)
	print('_ = ',_)
	
说明:
    我所谓的占位符实际上也是一个变量,但是我们在实际运用过程中,一般不会这样命名一个变量,所以在代码中,该变量就当作
占位符来使用也未尝不可了,在某些运用场景中,这种方式还是能省时省力的
  • 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