黑马程序员----C#中的流程控制语句之异常处理语句


----------------------  ASP.Net+Android+IO开发S 、  .Net培训、期待与您交流! ----------------------


(一),try-catch语句

                 C#语言提供了利用try-catch捕捉异常的方法,在try块中的任何语句产生异常,都会执行catch块中的语句来处理异常。

                语法:

                     try

                    {

                            语句序列

                    }

                    catch(异常类型 标示符)

                   {

                            异常处理

                   }

               执行过程:如果try中的代码没有出错,则程序就正常运行try中的代码,不会执行catch中的代码;如果try中的代码一旦出错,程序就立即跳入catch中去执行代码,那么try中出错代码之后的代码就没机会再执行了。

              例如:

 

static void Main(string[] args)
        {
            Console.WriteLine("请输入一个整数:");
            string str = Console.ReadLine();
            try
            {//把有可能出错的代码写在try中
                int number = Convert.ToInt32(str);
                Console.WriteLine("您刚刚输入的数字是{0}", number);
            }
            catch
            {//出错了就立即跳进来执行catch中的代码
                Console.WriteLine("您刚刚输入的不是数字!");
            }
            Console.ReadKey();
        }

      

(二),try-catch-finally语句

                如果try后有finally块,不论是否出现异常,也不论是否有catch块,finally块总是会执行的,即使在try内使用跳转语句或return语句也不能避免finally块的执行。

               语法:

                    try

                     {

                              语句序列

                     }

                              catch(异常类型 标示符)

                    {

                              异常处理

                    }

                     finally

                   {

                               语句 序列

                   }

              注意finally块中做的是释放资源的操作,如关闭打开的文件等。

(三),throw语句

         有时候在方法中出现了异常,不一定立即把它显示出来,而是想把这个异常抛出并让调用这个方法的程序进行捕捉和处理。所以这是我们就可以使用throw语句。

                 语法:

                     Throw[表达式];

                 注意:表达式的类型必须是System.Exception类或从System.Exception类继承的类的类型。Throw也可以不带表达式,但只能用在catch中。

                 例如:

 

static void Main(string[] args)
        {
            try
            {
                Method1();
            }
            catch(Exception er)
            {//立即抓住Method1抛出的异常
                Console.WriteLine("Main方法捕获到:"+er.Message);
            }
            
            Console.ReadKey();
        }
        static void Method1()
        {
            try
            {
                Method2();
            }
            catch(Exception er)
            {//立即抓住Method2抛出的异常
                Console.WriteLine("Method1中捕获到"+er.Message);
                //重新抛出当前正在由catch块处理的异常er
                throw;
            }
        }
        static void Method2()
        {
            //Method2抛出新的异常
            throw new Exception("Method2中抛出的异常");
        }



----------------------  ASP.Net+Android+IO开发S 、  .Net培训、期待与您交流! ----------------------

  • 1
    点赞
  • 3
    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 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