Ruby元编程起步3

创建类方法

上回我们动态创建了initialize方法,其他实例方法跟initialize如出一辙,就不介绍了,今天我们要面临的是如何创建类方法。

不过为了剧情需要,先把我们刚刚建好initialize的类给填满。
按照第一节的例子,我们来吧数据都填充到类变量@@data中去,不过为了巩固上节的知识,请先自己试着写这段代码。



module Tool
def self.csv2class csv_name
klass_name = csv_name.gsub('.csv', '').gsub(/\s+/, '_').downcase.capitalize
klass = Object.const_set(klass_name, Class.new)
File.open(csv_name ) do |file|
attributes = file.readline.chomp.split(',')

klass.class_eval do

attr_accessor *attributes

define_method :initialize do |*args|
attributes.each_with_index do |attribute, i|
instance_variable_set("@#{attribute}", args[i])
end
end

class_variable_set("@@data", [])

file.each_line do |line|
class_variable_get("@@data") << self.new(*line.chomp.split(','))
end

end

end
end
end

Tool.csv2class "Friends.csv"
puts Friends.new('Lilei','M',26,'Worker').dept


好吧,虽然我知道你们根本就没有自己动手,但是……anyway,我们继续……

跑题跑了大半篇,快忘记我们要实现类方法了,在这个例子中就是find_by_name这个方法。
传统方式,我们会用def self.find_by_name来定义这个方法,但是正如前篇所说,def这个方法进入不了美丽新世界——扁平作用域,所以我们就不得不用define_method。但是问题是define_method怎么用来定义类方法?

这里我们要重新审视一下类方法(以下均是个人理解,如有雷同,很有可能)。就如第一篇讲到的,类也是一个对象(对象即实例,还记得那段绕口令么?),那么所谓的类方法是不是就是类这个对象的实例方法?(又绕口令了)


class Class

def instance_method_for_demo
puts "This is a instance method for #{self}"
end

end

A = Class.new
A.instance_method_for_demo

class A
def self.class_method_for_demo
puts "This is a class method for #{self}"
end
end

A.class_method_for_demo


绕口令配上这段代码,不知道各位能不能理解: 所谓类方法,是类这个对象的实例方法……写到这我终于明白自己表达能力的欠缺,只能寄希望与各位读者的聪慧,如果懂了,我们就继续下一篇……
  • 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