Kotlin学习笔记——控制流和跳转

if表达式

// Traditional usage 
var max = a 
if (a < b) 
  max = b 

// With else 
var max: Int
if (a > b) 
  max = a 
else 
  max = b 

// As expression 
val max = if (a > b) a else b

// the last expression is the value of a block
val max = if (a > b) { 
    print("Choose a") 
    a 
  } 
  else { 
    print("Choose b") 
    b 
  }

When表达式

在Java中,我们经常使用switch语句,在Kotlin里面,把它简化成了when表达式

when (x) {
  1 -> print("x == 1")
  2 -> print("x == 2")
  else -> { // Note the block
    print("x is neither 1 nor 2")
  }
}

它会从上到下进行比较,直到匹配到一个符号的就执行后面的语句,然后结束,如果没有匹配的,就执行else后面的语句。

如果有多个case需要同时匹配,可以使用下面的这种方式结合。

when (x) {
  0, 1 -> print("x == 0 or x == 1")
  else -> print("otherwise")
}

对于前面的case可以使用表达式

when (x) {
  parseInt(s) -> print("s encodes x")
  else -> print("s does not encode x")
}

也可以检查一个值是否在某个区间

when (x) {
  in 1..10 -> print("x is in the range")
  in validNumbers -> print("x is valid")
  !in 10..20 -> print("x is outside the range")
  else -> print("none of the above")
}

可以检查一个值是否为某种类型

val hasPrefix = when(x) {
  is String -> x.startsWith("prefix")
  else -> false
}

when表达也可以替代if-else if语句

when {
  x.isOdd() -> print("x is odd")
  x.isEven() -> print("x is even")
  else -> print("x is funny")
}

// 等同于

if (x.isOdd())
        print("x is odd")
    else if (x.isEven())
        print("x is even")
    else
        print("x is funny")

For循环表达

循环遍历某个集合

for (item in collection)
  print(item)

for (item: Int in ints) {
  // ...
}

for可以遍历任何提供了iterator对象的集合。

var array: Array<Int> = arrayOf(1,2,3,4,5)
var iterator: Iterator<Int> = array.iterator()
while (iterator.hasNext())
    print(iterator.next())

// 等同于

var array: Array<Int> = arrayOf(1,2,3,4,5)
for (num:Int in array)
    print(num)

如果希望以索引的方式进行遍历

for (i in array.indices)
  print(array[i])

同时访问一个集合的键值对

for ((index, value) in array.withIndex()) {
    println("the element at $index is $value")
}

While循环

while和do..while的形式

while (x > 0) {
  x--
}

do {
  val y = retrieveData()
} while (y != null) // y is visible here!

返回和跳转

跟Java一样有三种跳转方式:return、break、continue。

与Java不同的是,它加入了标签元素,使得跳转具有了一定的灵活性。

@loop for (i in 1..100) {
  ...
}

我们知道:
return是跳出当前函数
break是跳出循环
continue是跳出本次循环,进入下一次循环

如果有多重循环,带标签的break会跳转出标签所指示的那一个循环。带标签的continue会跳转到标签所指向的那个循环,进入该循环的下一次循环。

@loop for (i in 1..100) {
  for (j in 1..100) {
    if (..)
      break@loop
  }
}

上面的这个会跳出这个双重循环。

在Kotlin中,函数也是有内嵌层级的。 而带标签的return让我们可以指定返回的目标。

带标签的return,最重要的一个用途,就是让我们可以从函数字面量中返回。

fun foo() {
  ints.forEach {
    if (it == 0) return
    print(it)
  }
}

上面这个函数返回,是从foo()返回,结束整个foo()循环。如果我们想只从函数字面量里返回,则需要加上标签:

fun foo() {
  ints.forEach @lit {
    if (it == 0) return@lit
    print(it)
  }
}

还有更简单的写法,就是使用隐式标签:函数名

fun foo() {
  ints.forEach {
    if (it == 0) return@forEach
    print(it)
  }
}

有名字的函数,自动定义标签(和函数同名):

fun outer() {
  fun inner() {
    return@outer // 标签outer自动定义了
  }
}

return语句在匿名函数里面返回,只是返回匿名函数本身

fun foo() {
  ints.forEach(fun(value: Int) {
    if (value == 0) return
    print(value)
  })
}

如果需要在返回的时候带有一个值。

return@a 1

会被认为是”在标签@a上返回1”,而不是”返回一个带标签的表达式(@a 1)”。

参考文章:
Control Flow
Returns and Jumps

  • 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