Linq系列:基础与本质(Part II)

接上文讲,我们在上篇文章里经常提到两个东西(Linq系列:基础与本质(Part I)),System.Linq.Enumerable System.Func。那么着两个东东到底是个什么东西呢?我们看看下面的代码:

LINQ表达式在编译时,编译器会将查询操作符转换为对 System.Linq.Enumerable 类型中若干函数的调用(或者其他类型)。下面是几个Enumerable 成员函数:


public static IEnumerable<TSource> Where<TSource>(this IEnumerable<TSource> source,
    System.Func
<TSource,int,bool> predicate)
public static IEnumerable<TSource> Where<TSource>(this IEnumerable<TSource> source,
    System.Func
<TSource,bool> predicate)
public static int? Sum( this IEnumerable<int?> source );

我们可以看到这些函数大部分都需要代理作为参数,特别的是,定义在 System.Core.dll 中的 泛型代理 Func<>,其中很大一部分是用到了c#3.X的新特性:Extension Method 。有兴趣的朋友可以去看看。

我们来看看Func<>的定义:其中最后一个类型参数TResult代表返回类型:


1 public delegate TResult Func<T0,T1,T2,T3,TResult>(
2 T0 arg0, T1 arg1, T2 arg2, T3 arg3)
3 public delegate TResult Func<T0,T1,T2,TResult>(T0 arg0, T1 arg1, T2 arg2)
4 public delegate TResult Func<T0,T1,TResult>(T0 arg0, T1 arg1)
5 public delegate TResult Func<T0,TResult>(T0 arg0)
6 public delegate TResult Func<TResult>()

由于 System.Linq.Enumerable 的很多成员函数需要代理作为参数,因此,在调用时,我们可以用下列方式实现:
一、使用查询操作符定义查询表达式
这是最直接和简洁的方式,也是推荐方式,请参考上篇文章(Linq系列:基础与本质(Part I))的例子代码。

二、使用Enumerable类型函数和Lambda表达式定义查询表达式

请参考上篇文章(Linq系列:基础与本质(Part I))的例子代码。

三、使用Enumerable类型函数和匿名方法定义查询表达式


 1 Func<intbool> searchFilter =delegateint i )
 2                                             {
 3                                                 return i < 10;
 4                                             };
 5             Func<intint> item = delegateint s )
 6                                   {
 7                                       return s;
 8                                    };
 9             var subset4 = numbers.Where( searchFilter )
10                                           .OrderBy( item ).Select( item );

可以看出这种方式比较繁琐,因为我们自己定义了Where(), OrderBy(), and Select()等函数需要的Func<>代理。

四 使用Enumerable类型函数和代理定义查询表达式
最繁琐的方式就是,不使用Lambda表达式和匿名函数,为每个FUN<>类型手动定义代理。


1  public static bool Filter( int s )
2         {
3             return s < 10;
4         }
5         public static int ProcessItem( int s )
6         {
7             return s;
8         }

但是变来变去都离不开委托和Enumerable类型提供的方法。

在这里我们可以看到:

任何需要代理作为参数的函数,都可以改为用Lambda表达式作为参数。
Lambda表达式仅仅是匿名函数的掩饰,可以大大提高可读性
匿名函数是手动定义代理类型并定义相应的处理函数的速记符号。

因此一些所谓的新技术其实就是建立在老技术上面的。。打好基础才是最重要的。委托,匿名函数,Lambda其实是一脉相承的。请看Anytao的《你必须知道的Net》。

最后希望大家对CLR系列和LINQ系列提出宝贵的建议以及希望增加对什么知识点的讲解。谢谢!


 待续。。。

 

版权所有归"布衣软件工作者".未经容许不得转载.
  • 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