作用域和闭包

一、执行上下文

给执行上下文环境下一个通俗的定义——在执行代码之前,把将要用到的所有的变量都事先拿出来,有的直接赋值了,有的先用undefined占个空。

全局代码的上下文环境数据内容为:
1、普通变量(包括函数表达式,如: var a = 10;):声明(默认赋值为undefined)
2、函数声明(如: function fn() { }):赋值
3、this:赋值

如果代码段是函数体,那么在此基础上需要附加:
1、参数:赋值
2、arguments:赋值
3、自由变量的取值作用域:赋值

范围:一段<script>标签或者一个函数
全局(一段<script>):变量定义、函数声明
函数:变量定义、函数声明、this、arguments(函数所有参数的集合)
函数声明: function fn(){...};
函数表达式: var fn = function(){...};

console.log(a);  //undefined
var a=100;

fn('zhangsan'); //'zhangsan'  20
function fn(name){
   age=20;
   console.log(name,age);
   var age;
}

二、this

this要在执行时才能确认值,定义时无法确认

1、构造函数

如果函数作为构造函数用,那么其中的this就代表它即将new出来的对象

function Foo(name){
  this.name=name;
}
var f=new Foo('zhangsan');//this===f
console.log(f.name);
2、函数作为对象的一个属性

如果函数作为对象的一个属性时,并且作为对象的一个属性被调用时,函数中的this指向该对象

var obj={
  name:'A',
  printName:function(){
    console.log(this.name);
  }
}
obj.printName();  //this===obj
3、函数用call或者apply、bind调用

当一个函数被call和apply、bind调用时,this的值就取传入的对象的值

function fn1(name){
  alert(name);
  console.log(this);
}
fn1.call({x:100},'zhangsan',200);   //this==={x:100}
fn1.apply({x:100},['zhangsan',200]); //this==={x:100}
var fn2=function(name,age){
  alert(name);
  console.log(this);
}.bind({y:200});  this==={y:200}
fn2('zhangsan',20);
4、全局&调用普通函数

在全局环境下,this永远是window
匿名函数中this是window

function fn1(){
  console.log(this);
}
fn1();  //this===window

三、作用域

js没有块级作用域,不受块级限制,只有函数和全局作用域;
js除了全局作用域之外,只有函数可以创建的作用域;
作用域在函数定义时就已经确定了,而不是在函数调用时确定;
在声明变量时,全局代码要在代码前端声明,函数中要在函数体一开始就声明好。除了这两个地方,其他地方都不要出现变量声明。而且建议用“单var”形式;
作用域有上下级的关系,上下级关系的确定就看函数是在哪个作用域下创建的;
作用域最大的用处就是隔离变量,不同作用域下同名变量不会有冲突;
作用域只是一个“地盘”,一个抽象的概念,其中没有变量。要通过作用域对应的执行上下文环境来获取变量的值。同一个作用域下,不同的调用会产生不同的执行上下文环境,继而产生不同的变量的值。所以,作用域中变量的值是在执行过程中产生的确定的,而作用域却是在函数创建时就确定了;
如果要查找一个作用域下某个变量的值,就需要找到这个作用域对应的执行上下文环境,再在其中寻找变量的值。

四、作用域链

1、自由变量

在A作用域中使用的变量x,却没有在A作用域中声明(即在其他作用域中声明的),对于A作用域来说,x就是一个自由变量
自由变量的取值:要到创建这个函数的那个作用域中取值——是“创建”,而不是“调用”————“静态作用域”

var a=100;
function F1(){
  var b=200;
  function F2(){
    var c=300;
    console.log(a);//a是自由变量
    console.log(b);//b是自由变量
    console.log(c);
  }
  F2();
}
F1();
2、作用域链

指取自由变量取值时的这个过程:(假设a是自由量)

1、先在当前作用域查找a,如果有则获取并结束。如果没有则继续;
2、如果当前作用域是全局作用域,则证明a未定义,结束;否则继续;
3、(不是全局作用域,那就是函数作用域)将创建该函数的作用域作为当前作用域;
4、跳转到第一步。

五、闭包

闭包是指可以包含自由(未绑定到特定对象)变量的代码块,是能够读取其他函数内部变量的函数;这些变量不是在这个代码块内或者任何全局上下文中定义的,而是在定义代码块的环境中定义(局部变量),使用闭包会增加内容开销。

1、函数作为返回值
function F1(){
  var a=100;
  //返回一个函数
  return function(){
    console.log(a);
  }
}
//f1得到一个函数
var f1=F1();
var a=200;
f1(); //100 
2、函数作为参数传递
function F1(){
  var a=100;
  return function(){
    console.log(a);
  }
}
var f1=F1();
function F2(fn){
  var a=200;
  fn();
}
F2(f1);//100
  • 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