python中的函数与其编程p6、7

目录

1作用域的查看

2. 覆盖

global 和 nonlocal关键字

3.作用域的生命周期

4.函数式编程

4.1一等函数

4.2高阶函数

map

filter

 reduce

 sorted

偏函数partial

 解决参数很多,但变化只变其中一两个      输入重复麻烦问题

4.3匿名函数

list+lambda可以得到行为列表



1作用域的查看

globals()全局

locals()局部

 join() 方法用于将序列中的元素以指定的字符连接生成一个新的字符串。

dict.keys()、dict.values() 和 dict.items() 返回的都是视图对象( view objects),提供了字典实体的动态视图,这就意味着字典改变,视图也会跟着变化。

Python3 字典 keys() 方法 | 菜鸟教程 (runoob.com)

from copy import copy

quanju=copy(list(globals().keys()))
print("quanju:",quanju,sep="\n")
print("quanju*:",*quanju,sep="\n")
print()

from copy import copy

quanju=copy(list(globals().keys()))
print("quanju*:",quanju,sep="\n")
print()

a,b=1,2

def f1(c=3):
    d=4

    print("*global in f1:",*(globals().keys()-quanju))   #f1,a,b
    print("local f1:",*(locals().keys()))               #c,d

    def f2(e=5):
        f=None

        print("*global in f2:",*(globals().keys()-quanju))   #f1,a,b
        print("local f2:", *(locals().keys()))              #f2只看见自己的e,f

    f2()

if __name__=='__main__':
    f1()

 

2. 覆盖

def f1():
    n=1
    print(n)   #结果2行

    def f2():
        n=2
        print(n)   #3行

    f2()

    print(n)   #4行

if __name__=='__main__':
    n=3
    print(n)     #1行
    f1() 
    print(n)     #5行

结果:

3
1
2
1
3

global 和 nonlocal关键字

def f1():
    n=1
    print(n)   #结果2行

    def f2():
        nonlocal n 
        n=2
        print(n)   #3行

    f2()

    print(n)   #4行

if __name__=='__main__':
    n=3
    print(n)     #1行
    f1()
    print(n)     #5行

3.作用域的生命周期

built-in :与解释器同生共死

golbal:导入模块创建

local:函数调用

4.函数式编程

4.1一等函数

一等对象定义:

在运行时创建

能赋值给变量

能作为参数传给函数

能作为函数的返回结果

def a():
    print("hello")

a() #在运行时创建

print("在运行时创建")
b=a #能赋值给变量
b()

def c(f,n):  #能作为参数传给函数
    for i in range(n):
        a()

print(" 能作为参数传给函数")
c(a,2)

print("作为函数的返回值")
def c1(f,n):
    def c2():
        for i in range(n):
            a()
    return c2

d=c1(a,3)
d()
hello
在运行时创建
hello
 能作为参数传给函数
hello
hello
作为函数的返回值
hello
hello
hello

4.2高阶函数

map

 map()函数会根据提供的函数对指定序列做映射。

map(行为,对象集)每个对象执行一次行为

>>> def square(x) :         # 计算平方数
...     return x ** 2
...
>>> map(square, [1,2,3,4,5])    # 计算列表各个元素的平方
<map object at 0x100d3d550>     # 返回迭代器
>>> list(map(square, [1,2,3,4,5]))   # 使用 list() 转换为列表
[1, 4, 9, 16, 25]
>>> list(map(lambda x: x ** 2, [1, 2, 3, 4, 5]))   # 使用 lambda 匿名函数
[1, 4, 9, 16, 25]
>>>

filter

filter() 函数用于过滤序列,过滤掉不符合条件的元素,返回一个迭代器对象,如果要转换为列表,可以使用 list() 来转换。

Python3 filter() 函数 | 菜鸟教程 (runoob.com)

 reduce

from functools import reduce

def s(a,b):
    return a*b

print(reduce(s,range(1,5)))

1*2=2

2*3=6

6*4=24

 sorted

注:sort应用在list

sorted返回是一个新的list,而不是在原基础上进行操作

>>> sorted([x*(-1)**x for x in range(10)])
[-9, -7, -5, -3, -1, 0, 2, 4, 6, 8]
>>> sorted([x*(-1)**x for x in range(10)],key=abs)#abs绝对值排序
[0, -1, 2, -3, 4, -5, 6, -7, 8, -9]
>>> sorted([x*(-1)**x for x in range(10)],reverse=True)  #reverse=True降序
[8, 6, 4, 2, 0, -1, -3, -5, -7, -9] 

偏函数partial

 解决参数很多,但变化只变其中一两个      输入重复麻烦问题

from functools import partial
 
def mod( n, m ):
  return n % m
 
mod_by_100 = partial( mod, 100 )
 
print mod( 100, 7 )  # 2
print mod_by_100( 7 )  # 2

Python 偏函数 | 菜鸟教程 (runoob.com)

>>> from functools import partial
>>> a=partial(sorted,key=abs)
>>> a([x*(-1)**x for x in range(10)])
[0, -1, 2, -3, 4, -5, 6, -7, 8, -9]
>>> aa=partial(sorted,reverse=True)
>>> aa([x*(-1)**x for x in range(10)])
[8, 6, 4, 2, 0, -1, -3, -5, -7, -9]

4.3匿名函数

 lambda 来创建匿名函数。

特点:只能使用纯表达式,不能赋值,不能使用while和try等块语句

lambda [arg1 [,arg2,.....argn]]:expression

>>> a=lambda x,y:x+y
>>> a(3,4)
7

list+lambda可以得到行为列表

>>> a=[lambda x:x+1,lambda x:x**2,lambda x:x**3]
>>> [a[i](10) for i in range(3)]         #把10传进去
[11, 100, 1000]
>>> [a[i](2) for i in range(3)]
[3, 4, 8]
>>> b=[lambda x:x**i for i in range(5)]
>>> [b[j](10) for j in range(5)]
[10000, 10000, 10000, 10000, 10000]

  • 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 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
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(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 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