加强版irb

Ruby的irb和Unix shell一样,通过定制可以提供更多特性与方便。

配置:
1. 安装以下gem: wirble, map_by_method, what_methods
2. 建立一个名叫_irbrc文件,内容如下:
[code]
# Compiled by Cookoo
# Reference:
# http://drnicwilliams.com/2006/10/12/my-irbrc-for-consoleirb
# http://pablotron.org/software/wirble/

require 'rubygems'
require 'map_by_method'
require 'what_methods'
require 'wirble'
require 'irb/completion'

IRB.conf[:AUTO_INDENT]=true

class Regexp
def show(a)
a =~ self ? "#{$`}<<#{$&}>>#{$'}" : "no match"
end
end

Wirble.init
Wirble.colorize unless Config::CONFIG['host_os'] == 'mswin32'[/code]
3. 该文件放置位置随意,建议在linux下放到home下。然后在linux和win32下设置环境变量IRBRC,指向该文件的路径(包括文件名本身)。同时win32下还需设置一个HOME环境变量,建议指向c:\Documents and Settings\your_account

----------------------------

搞好了吧?[b]SHOW TIME![/b]
来体验一下多了哪些功能:

(*代表只限linux平台提供)
*1. 输出结果语法着色
2. 自动换行缩进
[code]
>>if i = 1
>> puts i[/code]
3. 按两次tab, 自动补全(这个其实win32下本来就有)
[code]
>> [].e #tab tab
[].each [].empty? [].equal?
[].each_index [].entries [].extend
[].each_with_index [].eql? [/code]
*4. 直接使用ri 'something'
5. 直接使用pp
6. 命令行提示符改成>>和输出=>对齐
7. what? 猜api专用:
[code]
>> 3.14.what? 3 #什么方法返回3?
3.14.to_int == 3
3.14.floor == 3
3.14.round == 3
3.14.to_i == 3
3.14.prec_i == 3
3.14.truncate == 3
=> ["to_int", "floor", "round", "to_i", "prec_i", "truncate"] [/code]
8. 动态map:
[code]
>> [1,2,3].map{|x| x.succ} #常规方式
=> [2, 3, 4]
>> [1,2,3].map_succ #快捷方式
=> [2, 3, 4] [/code]
在Rails console里看查询结果很好用
9. irb命令行历史记录:下次重开irb依然保留
10. 对象研究快捷方式
[code]
>> poc Math #展示常量
=> ["E", "PI"]
>> po Math #展示非继承自Object的方法
=> ["acos", "acosh", "asin", "asinh", "atan", "atan2", "atanh", "cos", "cosh", "
erf", "erfc", "exp", "frexp", "hypot", "ldexp", "log", "log10", "sin", "sinh", "
sqrt", "tan", "tanh"] [/code]
11. regexp研究快捷方式
[code]
>> /[a-z]+/.show "pi is 3.14"
=> "<<pi>> is 3.14"[/code]
  • 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