Swift学习笔记 -- 流程控制

//每天一句Hello,Swift!嘻嘻

print("Hello, Swift!")


//使用 if switch判断条件,使用 for-in for while do-while处理循环。条件和循环变量的括号可以省略,语句体的大括号是必须的。

let individualScores = [75,43,103,87,12]

var teamScore = 0

for score inindividualScores{

    if score > 50{

        teamScore += 3

    }else{

        teamScore += 1

    }

    print(score)

}

print(teamScore)


// if语句中,条件必须是一个布尔表达式 ——这意味着像 if score { ... }这样的代码将报错,而不会隐形地与 0 做对比。

//你可以一起使用 if let来处理条件值缺失的情况。有些变量的值是可选的。一个可选的值如果是一个具体的值或者是 nil,那表明这个值缺失。在类型后面加一个 ?来标记这个变量的值是可选的。

//var optionalString:String? = "Hello"

//optionalString == nil


var optionalName: String? = "Kevin Swift"

var greeting = "Hello!"

if let name =optionalName {

    greeting = "Hello,\(name)"

}

print(greeting)


//如果变量的可选值是 nil,条件会判断为 false,并且大括号中的代码会被跳过。如果不是nil,会将值赋给let后面的常量,这样代码块中就可以使用这个值了。



//使用switch支持任意类型的数据以及各种比较操作——不仅仅是整数以及测试相等。

//找到匹配项之后,执行完相应的代码会自动退出switch,不会再向下执行,所以不需要每句都写break

let vegetable = "red pepper"


var vegetableComment : String

switch vegetable

{

case "celery":

    vegetableComment ="Add some raisins and make ants a log."

    

case "cucumber","watercress":

    vegetableComment ="That would make a good tea sandwich."

    

case let x where x.hasSuffix("pepper"):

    vegetableComment ="Is it a spicy\(x)?"

    

default:

    vegetableComment ="Everything tastes good in soup."

    

}

print(vegetableComment)



//使用 for-in遍历字典,需要两个变量来表示键和值

let funnyNumbers = [

    "Prime":[2,3,5,7,11,13],"Fibonacci":[1,1,2,3,5,8],"Square":[1,4,9,16,25],

]

var largest = 0


for (kind,numbers) in funnyNumbers{

    for number in numbers

    {

        if number > largest

        {

            largest = number

        }

    }

}

print("这个词典里面最大的是"+String(largest))



//使用 while来重复运行一段代码直到不满足条件。循环条件可以在开头也可以在结尾。

var n = 2

while n < 100 {

    n = n*2

}

print(n)


var m = 3

//这里好像最新版本的不能用 do  while了,换成repeat while bullshit

repeat{

    m = m *2

}while m < 100

print(m)


//你可以在循环中使用 ..来表示范围,也可以使用传统的写法,两者是等价的:

var firstForLoop = 0

//请注意这里是三个英文点。。。,坑爹的教程只写了两个英文点,看的不是最新版,这个教程有点坑啊,两个点和三个点好像还有区别于范围有待考证

for i in 0...3{

firstForLoop += i

}

print("firstForLoop:" +String(firstForLoop))


var secondForLoop = 0

for var i =0; i <3;++i

{

    secondForLoop +=1

}

print("secondForLoop:" +String(secondForLoop))



  • 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