python学习03

1.Python算术运算符

以下假设变量a为10,变量b为20:

运算符描述实例
+加 - 两个对象相加a + b 输出结果 30
-减 - 得到负数或是一个数减去另一个数a - b 输出结果 -10
*乘 - 两个数相乘或是返回一个被重复若干次的字符串a * b 输出结果 200
/除 - x除以yb / a 输出结果 2
%取模 - 返回除法的余数b % a 输出结果 0
**幂 - 返回x的y次幂a**b 为10的20次方, 输出结果 100000000000000000000
//取整除 - 返回商的整数部分9//2 输出结果 4 , 9.0//2.0 输出结果 4.0

Python比较运算符

以下假设变量a为10,变量b为20:

运算符描述实例
==等于 - 比较对象是否相等(a == b) 返回 False。
!=不等于 - 比较两个对象是否不相等(a != b) 返回 true.
<>不等于 - 比较两个对象是否不相等(a <> b) 返回 true。这个运算符类似 != 。
>大于 - 返回x是否大于y(a > b) 返回 False。
<小于 - 返回x是否小于y。所有比较运算符返回1表示真,返回0表示假。这分别与特殊的变量True和False等价。注意,这些变量名的大写。(a < b) 返回 true。
>=大于等于 - 返回x是否大于等于y。(a >= b) 返回 False。
<=小于等于 - 返回x是否小于等于y。(a <= b) 返回 true。


Python赋值运算符

以下假设变量a为10,变量b为20:

运算符描述实例
=简单的赋值运算符c = a + b 将 a + b 的运算结果赋值为 c
+=加法赋值运算符c += a 等效于 c = c + a
-=减法赋值运算符c -= a 等效于 c = c - a
*=乘法赋值运算符c *= a 等效于 c = c * a
/=除法赋值运算符c /= a 等效于 c = c / a
%=取模赋值运算符c %= a 等效于 c = c % a
**=幂赋值运算符c **= a 等效于 c = c ** a
//=取整除赋值运算符c //= a 等效于 c = c // a


Python位运算符

按位运算符是把数字看作二进制来进行计算的。Python中的按位运算法则如下:

运算符描述实例
&按位与运算符(a & b) 输出结果 12 ,二进制解释: 0000 1100
|按位或运算符(a | b) 输出结果 61 ,二进制解释: 0011 1101
^按位异或运算符(a ^ b) 输出结果 49 ,二进制解释: 0011 0001
~按位取反运算符(~a ) 输出结果 -61 ,二进制解释: 1100 0011, 在一个有符号二进制数的补码形式。
<<左移动运算符a << 2 输出结果 240 ,二进制解释: 1111 0000
>>右移动运算符a >> 2 输出结果 15 ,二进制解释: 0000 1111


Python逻辑运算符

Python语言支持逻辑运算符,以下假设变量a为10,变量b为20:

运算符描述实例
and布尔"与" - 如果x为False,x and y返回False,否则它返回y的计算值。(a and b) 返回 true。
or布尔"或" - 如果x是True,它返回True,否则它返回y的计算值。(a or b) 返回 true。
not布尔"非" - 如果x为True,返回False。如果x为False,它返回True。not(a and b) 返回 false。

Python成员运算符

除了以上的一些运算符之外,Python还支持成员运算符,测试实例中包含了一系列的成员,包括字符串,列表或元组。

运算符描述实例
in如果在指定的序列中找到值返回True,否则返回False。x 在 y序列中 , 如果x在y序列中返回True。
not in如果在指定的序列中没有找到值返回True,否则返回False。x 不在 y序列中 , 如果x不在y序列中返回True。

Python身份运算符

身份运算符用于比较两个对象的存储单元

运算符描述实例
isis是判断两个标识符是不是引用自一个对象x is y, 如果 id(x) 等于 id(y) , is 返回结果 1
is notis not是判断两个标识符是不是引用自不同对象x is not y, 如果 id(x) 不等于 id(y). is not 返回结果 1

==是value判断,不同类型不一样
is是看两个标识符是不是引用自一个对象,利用id()就明白,id可以理解为内存地址,引用地址

Python中对象包含的三个基本要素,分别是:id(身份标识)、type(数据类型)和value(值)

Python运算符优先级

以下表格列出了从最高到最低优先级的所有运算符:

运算符描述
**指数 (最高优先级)
~ + -按位翻转, 一元加号和减号 (最后两个的方法名为 +@ 和 -@)
* / % //乘,除,取模和取整除
+ -加法减法
>> <<右移,左移运算符
&位 'AND'
^ |位运算符
<= < > >=比较运算符
<> == !=等于运算符
= %= /= //= -= += *= **=赋值运算符
is is not身份运算符
in not in成员运算符
not or and逻辑运算符
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
实现目标检测的深度学习模型有很多,其中比较常用的是基于卷积神经网络(CNN)的模型,如Faster R-CNN、YOLO、SSD等。 在Python中实现目标检测,可以使用一些常用的深度学习框架,如TensorFlow、Keras、PyTorch等,这些框架都有现成的目标检测模型和API供我们使用。 以下是一个使用TensorFlow实现目标检测的简单示例: 1. 安装TensorFlow和其他相关依赖库: ```python pip install tensorflow==2.0.0 pip install pillow matplotlib numpy opencv-python ``` 2. 下载预训练的目标检测模型(这里以SSD模型为例): ```python import urllib.request url = 'http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v2_coco_2018_03_29.tar.gz' filename = 'ssd_mobilenet_v2_coco_2018_03_29.tar.gz' urllib.request.urlretrieve(url, filename) ``` 3. 解压模型文件: ```python import tarfile tar_file = tarfile.open(filename) tar_file.extractall() tar_file.close() ``` 4. 加载模型并进行目标检测: ```python import tensorflow as tf import cv2 import numpy as np # 加载模型 model = tf.saved_model.load('ssd_mobilenet_v2_coco_2018_03_29/saved_model') # 加载标签 with open('ssd_mobilenet_v2_coco_2018_03_29/mscoco_label_map.pbtxt', 'r') as f: labels = [line.strip() for line in f.readlines()] # 加载图片 image = cv2.imread('test.jpg') image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 进行目标检测 input_tensor = tf.convert_to_tensor(image) input_tensor = input_tensor[tf.newaxis, ...] detections = model(input_tensor) # 处理检测结果 num_detections = int(detections.pop('num_detections')) detections = {key: value[0, :num_detections].numpy() for key, value in detections.items()} detections['num_detections'] = num_detections boxes = detections['detection_boxes'] classes = detections['detection_classes'].astype(np.int64) scores = detections['detection_scores'] # 绘制检测结果 for i in range(num_detections): if scores[i] > 0.5: ymin, xmin, ymax, xmax = boxes[i] xmin = int(xmin * image.shape[1]) ymin = int(ymin * image.shape[0]) xmax = int(xmax * image.shape[1]) ymax = int(ymax * image.shape[0]) cv2.rectangle(image, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2) class_name = labels[classes[i] - 1] cv2.putText(image, class_name, (xmin, ymin - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) cv2.imshow('image', image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这个示例使用了TensorFlow的saved_model API加载了SSD模型,然后使用OpenCV读取了一张测试图片进行目标检测,并将检测结果绘制在了图片上。

“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