Emit学习之旅(2):创建常见元素—基础部分

上回已经用Emit创建了一个简单的类型。下面接着说说如何为动态创建的类添加实例成员,属性,方法等。

准备工作      这次来创建一个Student类。首先准备好大致框架:
AssemblyName assemName = new AssemblyName();
            assemName.Name = "EmitStudy2";

            AssemblyBuilder asmBuilder =
               AppDomain.CurrentDomain.DefineDynamicAssembly(assemName,
                  AssemblyBuilderAccess.RunAndSave);

            var mdlBldr = asmBuilder.DefineDynamicModule("EmitStudy2", "EmitStudy2.dll");
            var typeBldr = mdlBldr.DefineType("Sdudent", TypeAttributes.Public);

            //TODO:添加成员

           typeBldr.CreateType();
           asmBuilder.Save("EmitStudy2.dll");
 

 

一、定义实例变量

  Student包含以下实例成员:id(int),name(string)。下面就来一一创建它们。

  创建实例成员要通过TypeBuilder的DefineField方法来完成。该方法有以下形式:

  • DefineField(String, Type, FieldAttributes) :用给定的名称、属性和字段类型,向类型中添加新字段。
  • DefineField(String, Type, Type[], Type[], FieldAttributes):用给定的名称、属性、字段类型和自定义修饰符,向类型中添加新字段。

     一般情形下,前者使用的比较多。首先创建id:

var fldId = typeBldr.DefineField("id", typeof (int), FieldAttributes.Private);

 接着是name:

var fldName = typeBldr.DefineField("name", typeof(string), FieldAttributes.Private);

 这时您用reflector打开EmitStudy2.dll会发现Student已经拥有了我们想要的id,name,scores实例变量。

 

   二、定义属性

  Student类相应的也包含了三个简单属性:Id,Name。大家都知道,C#中的属性会被编译为相应的get_XXX或set_XXX的方法组。因此创建属性实质就是在创建方法。  

  创建方法通过TypeBuilder.DefineMethod完成。该方法重载形式较多,这里就不一一列出,感兴趣的请看这里 。还是以Id为例,我们为之创建GetId和SetId方法:

var methodGetId = typeBldr.DefineMethod("GetId", MethodAttributes.Public, typeof (int), null);
            var methodSetId = typeBldr.DefineMethod("SetId", MethodAttributes.Public, null, new Type[] {typeof (int)});

            var ilGetId = methodGetId.GetILGenerator();
            ilGetId.Emit(OpCodes.Ldarg_0);
            ilGetId.Emit(OpCodes.Ldfld, fldId);
            ilGetId.Emit(OpCodes.Ret);

            var ilSetId = methodSetId.GetILGenerator();
            ilSetId.Emit(OpCodes.Ldarg_0);
            ilSetId.Emit(OpCodes.Ldarg_1);
            ilSetId.Emit(OpCodes.Stfld,  fldId);

 这段代码定义了两个方法:GetId和SetId,但是这两个方法还没有真正和属性关联起来。首先,我们需要创建属性Id:

var prptId = typeBldr.DefineProperty("Id", PropertyAttributes.None, typeof (int), null);

 (在这里要说明的一点是,在很多DefineXXX方法中都包含返回类型和参数类型这两个属性,如果无返回值或者无参数直接传递null就可以了)

  创建了名称为Id的属性后,我们再将属性和get/set方法关联起来:

prptId.SetGetMethod(methodGetId);
prptId.SetSetMethod(methodSetId);

 另外两个属性类似。在上面创建get/set方法时提到了几个新的OpCodes:

  OpCodes.Ldarg_0:Ldarg是加载方法参数的意思。这里arg_0事实上是对当前对象的引用即this。因为类的实例方法(非静态方法)在调用时,this是会作为第一个参数传入的。

  OpCodes.Ldarg_1:当然就是参数列表的第一个参数了。

  OpCodes.Stfld:用新值替换在对象引用或指针的字段中存储的值。

          堆栈转换行为依次为: 1.将对象引用(或指针)推送到堆栈上。

                     2.将值推送到堆栈上。从堆栈中弹出该值和对象引用/指针;

                     3.用所提供的值替换对象中 field 的值。

           意思就是在往field存值时需要三个步骤:

          1.将对象引用(或指针)推送到堆栈上:ilSetId.Emit(OpCodes.Ldarg_0);=》加载this

          2.将值推送到堆栈上。从堆栈中弹出该值和对象引用/指针:ilSetId.Emit(OpCodes.Ldarg_1)=》将要存入field的值载入堆栈

          3.用所提供的值替换对象中 field 的值:ilSetId.Emit(OpCodes.Stfld,  fldId)=》设置field的值

  OpCodes.Ldfld:当然就是将指定field的值加载到堆栈上了。

  OpCodes的成员命名都是很规范的,ldXXX一般就是加载什么到堆栈,stXXX则是设置xxx的值,ldcXX则是加载常量xx到堆 栈,所以写代码时如果遇到不知道命令是什么就完全可以按照这种规则去推测。对于命令不知道如何用时去查查MSDN相应的堆栈转换规则是什么就一目了然了。

 

  三、创建方法

  在上一小节已经创建了几个方法,这里再大致描述下创建方法的流程:

  1.使用TypeBuilder.DefineMethod创建一个方法;

  2.调用 MethodBuilder.GetIlGenerator获取IL生成器

  3.写入自己需要的IL代码。

  我们在这里为Student添加一个ToString方法,我们要达到的目标如下:

public override string ToString()
{
    return string.Format("ID:{0} Name:{1}", this.id, this.name);
}

      在这里要注意的是string.Format产生的结果并不会被推送到堆栈上,而是会被存储到一个局部变量当中。只不过平时写C#代码并未体现出这一点而已。因此可以如下创建此方法:

 

var methodToString = typeBldr.DefineMethod("ToString", MethodAttributes.Virtual | MethodAttributes.Public,
                                                       typeof (string), null);
            var il = methodToString.GetILGenerator();
            var local = il.DeclareLocal(typeof (string));//创建一个局部变量
            il.Emit(OpCodes.Ldstr,"ID:{0} Name:{1}");
            il.Emit(OpCodes.Ldarg_0);
            il.Emit(OpCodes.Ldfld, fldId);
            il.Emit(OpCodes.Box, typeof(int));
            il.Emit(OpCodes.Ldarg_0);
            il.Emit(OpCodes.Ldfld, fldName);
            il.Emit(OpCodes.Call, typeof(string).GetMethod("Format", new Type[]{typeof(string), typeof(object), typeof(object)}));
            il.Emit(OpCodes.Stloc, local);
            il.Emit(OpCodes.Ldloc, local);
            il.Emit(OpCodes.Ret);

 这里有几个新元素:

  1.创建局部变量:使用ILGenerator.DeclareLocal完成

  2.OpCodes.Box:对值类型装箱,注意第二个参数为该值类型的类型。

  3.OpCodes.Stloc和OpCodes.Ldloc:设置局部变量的值和加载局部变量值到堆栈。

 

  到现在为止,我们的Student反编译后大致如下:

public class Sdudent
{
    // Fields
    private int id;
    private string name;

    // Methods
    public override string ToString()
    {
        return string.Format("ID:{0} Name:{1}", this.id, this.name);
    }

    // Properties
    public int Id
    {
        get
        {
            return this.id;
        }
        set
        {
            this.id = value;
        }
    }

    public string Name
    {
        get
        {
            return this.name;
        }
        set
        {
            this.name = value;
        }
    }
}
 

四.其他

  上面的实例都是关于实例成员的,对于静态成员呢?

  加载或设置静态实例字段会相应的变为:stsfld和ldsfld。而静态方法则由于不会将this作为第一个参数传递,因此ldarg_0就相应地变成了实际参数列表的第一个从参数。

 

 

 

 

 

 

 

  • 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