一文看懂Python中的集合运算&,|,-,^

关于集合的概念

Python 中常用的集合方法是执行标准的数学运算,例如:求并集、交集、差集以及对称差。下图显示了一些在集合 A 和集合 B 上进行的标准数学运算。每个韦恩(Venn)图中的红色部分是给定集合运算得到的结果。
在这里插入图片描述

Python中相应符号:

  • &符号在Python中既可以执行通常的按位与运算,也可以执行set集合里面的交集运算
  • |:并集;也可以表示数字运算中的按位或运算
  • -:差集
  • ^:对称差集

举例

pre = ["berry","grape","pea_r","apple","banana","pear"]
pos = ["apple","banana","pear","potato","cucumber"]
pre_set = set(pre)  # 转换list为集合set
pos_set = set(pos)

union = pos_set | pre_set  # 并集
print('The union of the two sets above is:\n{}\n'.format(union))

intersection = pos_set & pre_set  # 交集
print('The intersection of two sets is:\n{}\n'.format(intersection))

only_in_preset = pre_set - pos_set  # 差集
print('The unique part in pre_set is:\n{}\n'.format(only_in_preset))

only_in_posset = pos_set - pre_set  # 差集
print('The unique part in pos_set is:\n{}\n'.format(only_in_posset))

sym_set_diff = pos_set^pre_set      # 对称差集
print('The symmetric set difference of the two sets is:\n{}'.format(sym_set_diff))

输出结果如下:

The union of the two sets above is:
{'potato', 'grape', 'banana', 'pear', 'berry', 'pea_r', 'cucumber', 'apple'}

The intersection of two sets is:
{'pear', 'apple', 'banana'}

The unique part in pre_set is:
{'berry', 'grape', 'pea_r'}

The unique part in pos_set is:
{'potato', 'cucumber'}

The symmetric set difference of the two sets is:
{'potato', 'pea_r', 'berry', 'cucumber', 'grape'}
  • 7
    点赞
  • 53
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Faster R-CNN是一种目标检测算法,用于在图像定位和识别物体。它是R-CNN算法的改进版本,通过引入区域提议网络(Region Proposal Network,RPN)来提高检测的速度。 Faster R-CNN的工作流程可以分为两个阶段:区域提议和物体分类。 在区域提议阶段,首先使用卷积神经网络(CNN)对输入图像进行特征提取。然后,RPN通过滑动窗口在特征图上生成一系列候选区域。每个候选区域都有一个边界框(bounding box)和一个预测得分。RPN通过一个二分类器来判断每个候选区域是否包含感兴趣的物体,并根据得分对候选区域进行排序。 在物体分类阶段,对于每个候选区域,使用RoI池化层将其映射为固定大小的特征向量。然后,这些特征向量通过全连接层进行分类和回归,得到每个候选区域的类别预测和边界框坐标调整。 整个网络采用端到端的训练方式,在训练过程同时优化RPN和分类网络。训练时,通过计算候选区域与真实标注框之间的IoU(交并比)来确定正负样本,并使用多任务损失函数进行优化。 Faster R-CNN相比于R-CNN,通过引入RPN网络实现了端到端的训练,避免了繁琐的候选区域提取过程,大大提高了检测的速度和准确性。同时,Faster R-CNN还可以通过改变RPN的输出尺度来检测不同大小的物体。这使得Faster R-CNN成为目标检测领域的重要方法之一。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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