【面试准备】Python基础知识

目录

  • Python2和Python3的区别
  1. print在py2里是类,在py3里是函数(故必须print后用括号)
  2. py2默认的字符串类型默认是 ASCII,p23中默认的字符串类型是 Unicode
  3. xrange和range,py2中xrange返回一个生成器,range返回一个list;py3中没有xrange只有range,返回的是一个迭代器
  4. py2/的结果是整形,py3中是浮点型
  5. py2中声明元类:_metaclass_ = MetaClass,py3 中声明元类:class newclass(metaclass=MetaClass):pass

    关于xrange和range,自己亲手做了速度测试,同样迭代1e8次,结果如下:
    py2: range24.5275207 xrange12.9872725
    py3: range14.4299495

  • 对象赋值、深拷贝与浅拷贝有何区别?
    可以参考图解Python深拷贝和浅拷贝,要注意的是文中说的对象赋值是可变对象的赋值。

    不可变对象包括数值,元组,字符串。
    浅拷贝:创建一个新对象,但包含对源对象的引用;
    深拷贝:创建一个对象,并递归复制其包含的所有对象。
    若为列表(List)对象的浅拷贝,给浅拷贝到的列表追加元素a不会变,但修改新列表中新元素a也会相应变化。

  • 列表与元组的区别?
    列表中元素可修改,元组(tuple)元素不可修改。

  • is和==的区别?
    is是比较地址是否相等,==是比较值是否相等。

  • 了解python中的三元运算子吗?
    Python中的三元运算子:... if ... else ...
    功能和C++中的... ? ... : ...类似。

  • 什么类型可以作为字典中的key
    不可变类型,包括数字型、字符串型、元组型。

  • 可迭代对象、迭代器(iterator)和生成器(generator)
    1720712-20190827175311944-1118828145.png
    生成器(Generator):在python中,一边循环一边计算的机制,称为生成器。
    迭代器:迭代器是一个可以记住遍历的位置的对象。可以被next()函数调用并不断返回下一个值的对象称为迭代器:Iterator。
    可迭代对象:可以直接作用于for循环的对象。


参考

  1. 关于python的面试题. https://github.com/kenwoodjw/python_interview_question
  2. 图解Python深拷贝和浅拷贝. https://www.cnblogs.com/wilber2013/p/4645353.html#_nav_2
  3. Python 最常见的 170 道面试题解析:2019 最新. https://blog.csdn.net/valada/article/details/90761019

转载于:https://www.cnblogs.com/lvjincheng/p/11384373.html

  • 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