函数(一)

函数的定义

什么时函数

函数就是具备某一功能的工具,事先将工具准备好就是函数的定义,遇到应用场景拿来就用就是函数的调用

为什么要用函数

如果不使用函数,写程序时将会遇到这三个问题:

  1. 程序冗长
  2. 程序的扩展性差
  3. 程序的可读性差

如何使用函数

  • 先定义函数,后使用
def 函数名(param1,param2...):
    '''
    函数功能的描述信息
    '''
    retuern # 返回值
  • 调用函数
 函数名(param1,param2...)
  • 函数定义阶段
def func():
    bar() # 不属于语法错误,不会报错
    print('*'*10)
  • 函数调用阶段
def foo():
    print('from foo')
    bar()
def ba()
    print('from bar')
    
foo 
'''
from foo
from bar
'''

定义函数的三种形式

一:无参函数

在函数定义阶段括号内没有参数,称为无参函数。需要注意的是:定义时无参,意味着调用时也无需传入参数。

二:有参函数

在函数定义阶段括号内有参数,称为有参函数。需要注意的是:定义时有参,意味着调用时也必须传入参数。

三:空函数

当你只知道你需要实现某个功能,但不知道该如何用代码实现时,你可以暂时写个空函数,然后先实现其他的功能。

函数的返回值

什么返回值

函数内部代码经过一些列逻辑处理获得的结果。

为什么要返放回值

如果需要在程序中拿到函数的处理结果做进一步的处理,则需要函数必须要有返回值。

  • return是一个函数结束的标志,函数内可以有多个return,只要执行到return,函数就会执行。

  • return的返回值可以返回任意数据类型

  • return的返回值无个数限制,即可以使用逗号隔开返回多个值

    • 0个:返回none
    • 1个:返回值该本身
    • 多个:返回值是元组

函数的参数

形参

在函数定义阶段括号内定义的参数,称之为形式参数,简称形参,本质就是变量名。

def func(x,y):
    print(x)
    print(y)

实参

在函数调用阶段括号内传入的参数,称之为实际参数

func(1,2)

位置形参

在函数定义阶段,按照从左到右的顺序依次定义的形式,称之为位置形参。

def func(x,y):
    print(x)
    print(y)

位置实参

在函数调用阶段,按照从左到右的顺序依次定义的实参,称之为位置实参。

func(1,2)

关键字实参

在调用函数时,按照key=valus的形式为指定的参数传值,称为关键字实参。

特点:特点:可以打破位置的限制,但仍能为指定的形参赋值。

注意:

  1. 可以混用位置实参和关键字实参,但是位置实参必须在关键字实参的左边。
  2. 可以混用位置实参和关键字实参,但不能对一个形参重复赋值。
func(y=2,x=1)

 # 1.可以混用位置实参和关键字实参,但是位置实参必须在关键字实参的左边。
 # 2.可以混用位置实参和关键字实参,但不能对一个形参重复赋值。

func(x, y=2)
func(y=2, x)  # SyntaxError: positional argument follows keyword argument
func(x, x=1)  # NameError: name 'x' is not defined

默认形参

在定义阶段,就已经被赋值。

特点:特点:在定义阶段就已经被赋值,意味着在调用时可以不用为其赋值。

注意:

  1. 位置形参必须放在默认形参的左边。
  2. 默认形参的值只在定义阶段赋值一次,也就是说默认参数的值在函数定义阶段就已经固定了。
def func(x,y=10)
    print(x)
    print(y)

func(2)

转载于:https://www.cnblogs.com/hj59988326/p/11552426.html

  • 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