笨办法学python习题2注释和#号

习题2首先要做的还是按照书上一样把代码敲出来,下面试编辑和翻译应该出来的结果:

 

ps:初学者不要想当然地在编辑的文字里面添加或减少什么东西,按照书上的指示一字不漏敲出来,这样得出来的结果可以与书上的结果进行对照,方便改正。

附加练习:

1.#号键表示注释作用,通过网上的一些资料也没找到更详细的意思,英文单词octothorpe和pound character是两种不同地区对#号键的英文表达。就我个人看法,加注释只是为了提醒别人或者自己为什么要这么做,充当一种说明书的作用。

2.错误还是比较明显,首先是句子前面没加print,再者是句子没用双引号或者单引号括起来,print相当于是翻译开始的按钮,引号括起来的是翻译的内容,两者缺一不可,否则句子是翻译不出来的,而且注释也是必须要加在print前面。

从结果来看翻译的结果是一样的,可是两者的本质却完全不同,所以一定要按照书上的指示来做。

3.详见附加题二

4.同上

(这章节做得十分粗虐,不过我会找资料不断完善,不断补充)

 

 

 

 

 

 

 

 

  • 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: 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、算法类 基于深度习的目标检测算法主要为两大类: 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