读书笔记:程序员修炼之道-06-当你编码时

当你编码时

注重实效的程序员 批判的思考所有的代码,包括我们自己的。

靠巧合编程

我们应该避免靠巧合编程——依靠运气和偶然的成功,而应该生思熟虑的编程。

怎样靠巧合编程

不知道代码为什么能够工作 也不知道代码为什么突然失败。

实现的偶然

那些只是因为现在的编写方式才得以发生的事情。你最后会依靠没有计入文档的错误或是边界条件。

我们需要思考代码:

  • 它也许不是真正的工作
  • 你依靠边界条件也许只是一个偶然
  • 没有计入文档的行为可能会随着库的下一次发布而变化
  • 多余的调用还会增加引入它们自己新的bug的风险

语境的偶然

隐含的假定

怎么样深思熟虑的编程

  • 总是意识到你在做什么
  • 不要盲目的编程
  • 按照计划行事
  • 依赖可靠的事物
  • 为你的假定建立文档
  • 不要只是测试你的代码,还要测试你的假定
  • 为你的工作划分优先级
  • 不要做历史的奴隶

算法的速率

注重实效的程序员:估算算法使用的资源——时间,处理器,内存等等

O()表示法

O()表示法 是处理近似计算的一种数学途径。

​ 一些常见的O()表示法

  • $ O(1)$ 常量型 (访问数组元素 简单语句)

  • O ( l o g 2 ( n ) ) O(log_2(n)) O(log2(n)) 对数型(二分查找)

  • O ( n ) O(n) O(n) 线性型(顺序查找)

  • O ( n l o g 2 ( n ) ) O(nlog_2(n)) O(nlog2(n)) 比线型差 但不会差太多(快速排序 堆排序的平均运行时间)

  • O ( n 2 ) O(n^2) O(n2) 平方律型(选择和插入排序)

  • O ( n 3 ) O(n^3) O(n3)立方型( 2 n × n 2n\times n 2n×n矩阵相乘)

  • O ( C n ) O(C^n) O(Cn) 指数型(旅行商问题,集合划分)

常识估算

  • 简单循环 时间随着n线性增加 O ( n ) O(n) O(n)

  • 套嵌循环 O ( m × n ) O(m \times n) O(m×n) 比如冒泡排序 O ( n 2 ) O(n^2) O(n2)

  • 二分法 O ( l o g 2 ( n ) ) O(log_2(n)) O(log2(n))

  • 分而治之 划分其输入,并独立的在两个部分上面进行计算,最后把结果组合起来的算法可能是 O ( n l o g 2 ( n ) ) O(n log_2(n)) O(nlog2(n)) 经典的例子:快速排序

  • 组合 只要算法考虑到事物的排列,其运行时间就可能失控。

重构

重写,重做和重新架构代码合起来,称为重构(refactoring

何时重构

代码具有以下特征时考虑重构

  • 重复
  • 非正交设计
  • 过时的设计
  • 性能

怎样重构

  1. 不要试图在重构的同时增加功能
  2. 在重构之前 保证拥有良好的测试
  3. 采取短小 深思熟虑的步骤

易于测试的代码

单元测试

软件的单元测试是对模块进行演练的代码

针对合约进行测试

我们常常喜欢把单元测试视为针对合约的测试

编写单元测试

使用测试装备

测试装备具有以下功能

  • 用以指定设置与清理的标准途径
  • 用以选择个别或所有可用的测试的方法
  • 分析输出是否预期结果的手段
  • 标准化的故障报告形式

参考JUnit的使用

邪恶的导向

Don’t Use Wizard Code You Don’t Understand

不要使用你不理解的导向代码

考虑Lombok javaGenerator

  • 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
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