换个角度思考“类”

作为一个思想实验,我们先假设Python没有类这个特性。如果我们要实现类似面向对象的功能,我们要怎么做?


这篇文章假设你有Python的基础知识(函数、变量、列表、字典等)。如果你是完全的0基础,你可以先看下Python部落(python.freelycode.com)影音学堂中的入门课程。


什么是类、对象和面向对象?简单地说,面向对象就是把数据看成一个实实在在的东西。比如,你可以让数据代表一个人,或者一个动物。下面的例子中,我们假设我们的数据代表一个人。所以“类”代表构建一个人的方法。一个人有自己的名字、自己的发色等“属性”。人还会有一些动作,比如刷牙、看电视。对象就代表一个人,可能有一个对象代表我,有一个对象代表你。类和对象是不同的。我们来看个例子:




这个例子中我们创建了一个变量my_name,以它为参数调用函数first_name,这样我们获得了我们全名中的first name。这很酷,但是功能还很有限。我希望我们的代码能代表我,而不仅仅是我的名字。





我们改善了一下代码,这个代码可以代表我这个人了。我们还增加了一些函数,这些函数是“我”这个对象的动作。其中一些函数是信息获取函数(getter),传入整个对象,返回其中一部分信息。例如,first_name函数就是从对象信息中只取出first name的信息并返回出来。跟信息获取函数对应的是信息设置函数(setter),它们需要一些数据参数,并把这些数据设置到对象上。


然而,这还不够。如果我还想支持另外一个人,比如Dr Wily,我需要确认我创建的列表是正确的。我需要保证列表的第一项是first name,第二项是last name,等等。下面我对代码做了一点点补充:





这样好多了。如果有其他人想要用我的代码来创建一个“人的对象”,已经非常容易了。使用我的代码的人不需要管理列表中的所有项了,因为我的代码帮他管理了列表的内容。然后,这仍然是不够的。因为我现在用的是列表,列表处理一列东西很好(比如存储书的目录),但是用它来表示对象的属性就不太合适了。这时候字典就派上用场了!现在我用字典来代替前面的列表:





很明显这样做好了很多。如果我的程序有上千行长,现在我们在函数内也能清晰地看出这个函数正在处理的是哪些属性了。其他人看这个代码也会更容易理解。现在,维护我代码的人应该也不会咒我去死了。

       这时,如果我把这个代码改写为一个类,可以看到整体的模式是非常接近我前面的代码的:




除了class这个单词,还有哪里有区别?这次我们把数据存在了属于对象的属性上,替换掉了我们的字典。我在所有的变量名前面加个双下划线,这样我就告诉了其他开发者这个变量不公开,你不要使用。然后每一个函数的第一个参数变成了self,self指的是你当前正在处理的这个对象。类里面函数的第一个参数总是代表当前对象,你可以不叫它self,但是这会让其他开发者感觉很奇怪。

       回到我们编写的类上,如果我想继承这个类怎么办?比如我想创建一个叫“程序员”的类,让它继承于Person:




这里演示了我如何利用前面写的代码,进一步构建我的新对象。如果我想确保我的新代码有权限访问Person类设置的属性,那么我就需要在我的init_programer里面调用init_person方法。如果我不这样做,当我试图获取programer的name属性的时候,就会报错。我也可以在init_programer里面再实现一遍init_person的功能,但是这样太浪费时间了。这样做和在类中使用super方法的效果是一样的,不同之处在于super方法额外还处理了各级类初始化代码执行顺序的问题。如果你的继承关系类似这样:Animal -> Mammal -> Person -> Programer,那么super也会按照这个顺序依次执行初始化操作。下面是一个例子:




  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的别。由于各物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分问题:判断图像中的目标属于哪个别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分 基于深度学习的目标检测算法主要分为两大: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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