日报3.26

文件的写操作

  • 找到文件,指定文件的路径就可

    如果文件存在,就直接写入,他会取代原料来的数据

    如果文件不存在,python帮我们自动创建

open()方法,用于指向一个文件,找到或者是锁定一个文件
第一个参数,是文件的路径
第二个参数,是文件要做什么操作, 'w' write,写。   'r' read,读
第三个参数,指定编码的方式,缺省参数,默认值是None,encoding=编码方式
常用的编码方式主要两种情况,1,utf-8(最常用,最广落使用)   2.gbk
注意,编码方式那里要填入字符串类型

open方法返回的是一个文件对象,是一个文件的指向
我们可以使用这个文件对象的方法进行相关操作

写入文件

关闭文件

文件的读操作

找到文件

读取文件

关闭文件

f = open(路径,'r', encoding='utf8')
c=f.read()
m=eval(c)
f.close()

文件的编码格式

主要了解两种

1,gbk,主要是针对中文的编码和解码,windows操作系统默认是gbk的

2,utf-8 或者 utf8 , 是一种功能很全的编码,支持各国语言

编码

159+1024

解码

-1024

把数据变为字符串的方法小结

有两种方法可以把数据转换为字符串

可以通过连接的方式,把一个列表转为一个字典

连接符的字符串.join(列表)

res = '_'.join(['1','2','3'])
res的效果是
'1_2_3'

直接强转

str()

强制转换

可以把常见的数据类型转为字符串类型

如果希望把数据存储到文件中

使用str()函数来转换数据

返回值就是一个字符串类型的数据

eval函数

功能是让字符串中包裹的内容恢复活性

eval(字符串)

拆包基本

我有一个元组,里面有两个成员

我可以用两个变量分别接收元组中的成员

t = ('a','b')
x, y = t
# x = 'a',  y = 'b'

拆包操作,两边的数据需要保持一致

否则,报错

拆包进阶

对于一个有多个返回值的函数

返回的最终结果,本质上是一个元组

因此我们可以用拆包的方式,获取元组中的数据

def fun():
    return 1, 2

a, b = fun()

拆包继续进阶

函数定义时,如果在形参前面加上了一个*,表明这个形参可以接收多个位置参数(实参)

例如

def fun(*arg):

那么这个被加了*的arg,会有吸附的功能

如果调用函数的时候,我们使用位置传递的参数,都会被这个形参吸收

fun(1,2,"hello",[1,2,3])

对于函数调用时候的拆包

指的是

实参如果是一个元组,我们在这个元组前面加上一个星花,可以把这个元组拆掉

效果就等同于位置传参

fun(*(1,2,3))
效果等同于
fun(1,2,3)
星花和元组的括号同时消失,效果就相当于是位置传参了

函数递归介绍

函数的递归本质是一种特别的函数嵌套调用

普通的函数嵌套调用是a函数调用b函数

函数递归,是自己调用自己

函数递归的注意

需要有条件

需要有一个退出递归的时机,时机成熟(满足一定的条件,需要跳出来)

1553588545732

字典的取值方式

一,通过[] 方括号取值

字典[键]

二,通过方法取值

字典.get(键)

第一种取值方式,如果我放的 不存在,会报错。

解决,我们后面可以通过异常捕获的方式,来处理错误

第二种,如果放的键不存,不报错,返回值是None。

解决方式,我们可以判断返回值是否为None,做后面的处理。

字典的copy方法

字典的copy方法,可以克降一个与原字典一模一样的字典

但是,返回的克隆字典与原来的字典的内存地址不一样

需要明确a与b的区别

a = 字典.copy()

b = 字典

字典的遍历

主要是两种情况

1,遍历获取,得到键

for 变量 in 容器:

情况a
for key in 字典:
	print(key)
	
情况b,效果同a一样
for key in 字典.keys():
	print(key)

2,遍历获取同时得到键值对

两种写法
a写法
for key,val in 字典.items():
	print(key)
	print(val)
	
b写法
for key in 字典:
	print(key)
	print(字典[key])

字符串,列表,元组取值方式

可以通过索引取值

有序的容器[索引]

列表的分割与连接

join() 连接

效果,把一个列表或元组,通过连接符号连接,最终结果是一个字符串

连接

字符串.join(列表或元组)

效果是:

把列表或元组中的每一个成员用字符串连接起来

“_”.join(列表或元组) 列表或元组的成员需是字符串,否则 无法连接会报错

返回的内容是一个字符串

split() 分割

效果,把一个字符串进行分割,参数是分割的符号,得到一个列表

字符串.split(分割符号)

返回结果是一个列表

  • 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