(Java)运算符

运算符(Operator)

1.算数运算符

算术运算符分类:

  1. 一元运算符,只需要一个操作数参与运算!
  2. 二元运算符,需要两个操作数参与运算!

1.1 一元运算符

  • 自增运算符:++a 和 a++ ,它们都等效于:a = a + 1;

    ++a 和 a++的区别(自增运算符和别的操作数一起运算的时候才有区别!):

    ++a,先自增,后运算!
    a++,先运算,后自增!

    【例题】

    public class Text {
        public static void main(String[] args) {
            int a = 3;
            //int b = a++ + 3; // a++,先运算,后自增!b=6 , a=4 
            int b = ++a + 3;   // ++a,先自增,后运算!a=4 , b=7
        }
    }
    
  • 自减运算符: --a 和 a-- ,它们都等效于:a = a - 1;

    –a 和 a–的区别(自增运算符和别的操作数一起运算的时候才有区别!):

    –a,先自减,后运算!
    a–,先运算,后自减!

    【例题】

    public class Text {
        public static void main(String[] args) {
            int a = 6;
            //int b = a-- + 3; // a--,先运算,后自减!b=9 , a=5 
            int b = --a + 3;   // --a,先自减,后运算!a=5 , b=8
        }
    }
    

    注意事项:

    • 自增和自减运算符是一个整体,中间不允许有空格!
    • 常量不能做自增或自减运算!

1.2 二元运算符

二元运算符有:+、-、*、/、%

  • “+” 加法运算符,连接符,还可表示正数!

  • “-” 减法运算符,还可表示负数!

  • “*” 乘法运算符

  • “/” 除法运算符

  • “%” 取模或取余运算,获取两个数不能整除的余数!

常见的取模运算:
0%3,结果为:0
1%3,结果为:1
2%3,结果为:2
3%3,结果为:0
4%3,结果为:1

【取模运算示例】

public class OperatorDemo01 {
	public static void main(String[] args) {
        // 获取整数521的百位数,十位数,个位数
        int num = 521;
        // 取百位数,即取“5”
        int bit1 = num / 100;
        System.out.println("百位数位:" + bit1);
        // 取十位数,即取“2”,方法1:
        int bit2 = num / 10 % 10;
        //方法2:
        //int bit2 = num % 100 / 10;
		System.out.println("十位数位:" + bit2);
        // 取个位数,即取“1”
        int bit3 = num % 10;
        System.out.println("个位数位:" + bit3);
    }
}

2.赋值运算符

“=” 把等号右边的值赋值给左边,例如: int a = 10;

3.扩展赋值运算符

本质:就是赋值运算符和二元运算符的综合体!

运算符用法举例等效的表达式
+=a += ba = a + b
-=a -= ba = a - b
*=a *= ba = a * b
/=a /= ba = a / b
%=a %= ba = a % b

【示例】

  1. 若 int sum = 3; sum *= 3 + 2; 执行之后,sum的结果为什么?

    正确结果为:sum = 15 ; 因为扩展赋值运算符操作的是等号右边表达式的结果!所以 sum *= 3 +2 ——运算过程——> sum = sum * (3 + 2)

  2. 若 int sum += 3;执行完毕之后,sum的结果为什么?

    程序执行时会发生编译错误,int sum += 3 等价于 int sum; sum = sum + 3; 后面的 sum = sum + 3 是需要将变量sum的值取出来进行运算操作的,而此时的变量sum只做了声明操作,并没进行赋值,所以程序会发生编译错误!

4.关系运算符(条件运算符)

= ,< ,<= ,== ,!=

特点:“关系运算符”返回的结果肯定是boolean类型,条件成立则返回true,否则返回false。

==:用于判断两个数值是否相同(基本数据类型),相同则返回true,否则返回false。

!= :用于判断两个数值是否不相同,如果不相同则返回true,否则返回false。

【注意事项】

  • 注意区分“=”和“==”的区别!

    “=”,赋值运算符

    “==”,关系运算符

  • 建议使用“==”的时候,常量放左边,变量放右边!

5.逻辑运算符

参与逻辑运算的数据类型必须为boolean类型,逻辑运算后的结果也为boolean类型。

5.1 &(与运算符)

& 运算特点:

true & true = true;

true & false = false;

false & true = false;

false & false = false;

规律

运算两边只要有一个为false,那么结果肯定为false

只有运算两边都为true,那么结果才为true

5.2 |(或运算符)

| 运算特点:

true | true = true;

true | false = true;

false | true = true;

false | false = false;

规律

运算两边只要有一个为true,那么结果肯定为true

只有运算两边都为false,那么结果才为false

5.3 ^(异或运算符)

^ 运算特点:

true | true = false;

true | false = true;

false | true = true;

false | false = false;

规律

运算两边相同,那么结果肯定为false

运算两边不同,那么结果肯定为true

5.4 !(逻辑非运算符)

! 运算特点(取反):

!true = false;

!false = true;

5.5 &&(逻辑与运算符)

&&和&的运算结果是一样的,但是运算的过程有所不同

&:无论左边的运算结果是什么,右边都需要参与运算

&&:如果左边运算结果为false,那么右边就不需要参与运算了,直接返回结果false

如果左边运算结果为true,那么需要进行右边的运算,并返回右边运算的结果

5.6 ||(逻辑或运算符)

||和|的运算结果是一样的,但是运算的过程有所不同

|:无论左边的运算结果是什么,右边都需要参与运算

||:如果左边运算结果为true,那么右边就不需要参与运算了,直接返回结果true

如果左边运算结果为false,那么需要进行右边的运算,并返回右边运算的结果

6.位运算符

位运算是直接对二进制进行的运算。

6.1 << (左移)

左移n位,等于在源数据上乘以2的n次方。

例如:3 << 1 = 6

​ 0000 0000 0000 0000 0000 0000 0000 0011

0 000 0000 0000 0000 0000 0000 0000 00110 左移低位补0

例如:3 << 2 = 12

​ 0000 0000 0000 0000 0000 0000 0000 0011

00 00 0000 0000 0000 0000 0000 0000 001100

【总结】

  1. 对m左移n位,等效于m乘以2的n次方!
  2. 左移之后,低位永远补0!
  3. 对一个数乘以2,可以通过左移一位来实现!这样效率更高!

6.2 >> (右移)

右移n位,等于在源数据上除以2的n次方

例如:6 >> 1 = 3

​ 0000 0000 0000 0000 0000 0000 0000 0110

​ 00000 0000 0000 0000 0000 0000 0000 011 0 正数则在高位补0,负数则在高位补1

例如:6 >> 2 = 1

​ 0000 0000 0000 0000 0000 0000 0000 0110

​ 000000 0000 0000 0000 0000 0000 0000 01 10

【总结】

  1. 对m右移n位,等效于m除以2的n次方!
  2. 正数右移高位补0,负数右移高位补1。
  3. 对一个数除以2,可以通过右移一位来实现!这样效率更高!

6.3 >>> (无符号右移)

>>>>>移动类似,但是无论对正数还是负数做无符号右移运算,高位永远补0

6.4 & 位运算(二元运算符)

特点:如果位有一个为0,那么结果就为0;只有两个都为1,结果才为1。
7 0000-0000 0000-0000 0000-0000 0000-0111
8 0000-0000 0000-0000 0000-0000 0000-1000
& -----------------------------------------------------------------
0000-0000 0000-0000 0000-0000 0000-0000 --> 0

结果:7 & 8 = 0;

6.5 | 位运算

特点:如果位有一个为1,那么结果就是1,;只有两个都为0,结果才为0。
7 0000-0000 0000-0000 0000-0000 0000-0111
8 0000-0000 0000-0000 0000-0000 0000-1000
| -------------------------------------------------------------------
0000-0000 0000-0000 0000-0000 0000-1111 --> 15

结果:7 | 8 = 15 ;

6.6 ^ 位运算

特点:位相同则为0,位不相同则为1。

7 0000-0000 0000-0000 0000-0000 0000-0111

8 0000-0000 0000-0000 0000-0000 0000-1000

^ ------------------------------------------------------------------

​ 0000-0000 0000-0000 0000-0000 0000-1111 --> 15

结果:7 ^ 8 = 15

6.7 ~ 位运算(一元运算符)

特点:位取反。1–取反–> 0 ; 0 --取反–> 1

7 0000-0000 0000-0000 0000-0000 0000-0111

“~” -----------------------------------------------------------------
1111-1111 1111-1111 1111-1111 1111-1000 —> -8

结果:~ 7 = - 8;

7.三元运算符

三元运算符又称为三目运算。

语法格式:条件表达式 ? 表达式1 表达式2

当“条件表达式”成立(true),则执行“表达式1”中的代码,否则执行“表达式2”中的代码!

8.运算符优先级

在这里插入图片描述

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论 1
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