类的进阶


 

一.我们来好好研究一下“类”

 

1.Object对象

学过java的朋友都清楚,在Java中,一切皆对象,是很纯正的面向对象语言,那么在python中呢?会不会也是这样呢?首先,不管是不是,我们先假设它是,然后去证明。如果在python中也是一切皆对象的话,那么一定有一个最原始的基类,就像Java中的Object一样,很容易的我们会猜想,会不会也是object的呢?我们通过交互命令来一看究竟:

\

果然,当我们通过help命令来查看的时候,发现了这些东西,首先这是一个builtin内置模块,其次,这是一个most base最顶层的基类,也就是说所有的类都继承自object,最后,我们发现object类有很多内置属性,因此我们可以在我们的类中覆盖这些属性达到我们的目的。

\

在上面的这个例子中,我们调用了基类的dir和str方法,这里有一个问题,我们直接打印对象和我们调用基类的str结果是一样的,其实,当我们打印对象的时候,其自动调用__str__方法,不相信?我们再来一个例子,在这个例子中,我们覆盖__str__方法,看看打印对象之后产生什么结果。<喎?http://www.2cto.com/kf/ware/vc/"target="_blank"class="keylink">vcD48cD48aW1nIHNyYz0="http://www.2cto.com/uploadfile/Collfiles/20140314/20140314092600390.jpg"alt="\" />

其实,其他的内建对象,我们都可以去覆盖重写,这就取决于你要写的类的功能了。

2.类的方法

1.静态方法

静态方法可以直接被类或类实例调用。它没有常规方法那样的特殊行为(绑定、非绑定、默认的第一个参数规则等等)。完全可以将静态方法当成一个用属性引用方式调用的普通函数来看待。任何时候定义静态方法都不是必须的。我们看一下类的静态方法的定义:

\

静态方法的使用不必非得实例化(语言都是共通的),这点跟java基本一样。

在类的静态方法中,我们要注意一个方法,__new__,当我们实例化一个类的时候,其实是类调用了__new__方法返回了一个类的对象,我们试试:

\

我们通过方法isinstance方法,来判断Obj3是否是test类的对象。但是,我们并不能直接通过__new__来获取对象,因为这个时候的Obj3仅仅只是个对象,可以简单的这么理解,那就是平常我们定义类的一个实例,其实是类先调用__new__生成对象,再来调用__init__进行初始化。我们验证一下:

\

2.类方法(非静态)

类的方法很简单,基本上和函数无异,只是有一个需要注意的地方,那就是必须明确的指出self(其实与名称无关,只与位置有关,一般约定为self),我们来看一下一段实例:

\

3.类的属性(Properties)

我们都知道,类中的属性,相当于成员变量,当我们在外部引用类的属性的时候,类是如何工作的呢?这个就要从__getattr__方法说起了,__getattr__是拦截属性点号运算,准确的说应该是,当通过对未定义的属性名称和实例进行点号运算时,就会用属性名称作为字符串调用这个方法,若可以通过python的继承树向上搜索不到这个属性,方法就不会调用,我们来看一段例子:

\

这个时候我们,肯定会想一件事情,那就是,我们可不可以改了value的打印结果呢?我想应该可以把,试试:

\

但是结果好像是不可以的,那该怎么办呢?我们来试试看另外一个方法__setattr__,该方法会拦截所有属性的赋值语句,如果定义了这个方法,self.attr= value会变成self.__setattr__(‘attr’,value)看一段代码:

\

但是,只要稍微心细一些就会发现,如果在__setattr__中对self.value进行赋值,就会陷入死循环,最后堆栈溢出异常,怎么解决呢?通常,我们是通过对属性字典做索引运算来赋值任何实例属性,也就是说,使用self.__dict__[‘attrname’]=x,如下:

\

4.怎样表达类成员的“private”属性?

在C++中,我们有public protect private那么,在python中如何实现属性,甚至是函数的私有化呢?这里就要用到__X__了,看一段代码:


属性和方法同理,实在不行了,现在已经是早上4点半了,感觉快怪了,晚安,各位!

  • 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),确定它们的别和位置,是计算机视觉领域的核心问题之一。由于各物体有不同的外观、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。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别(目标分)。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别的概率(首先得到别概率,经过Softmax可得到别标签)。 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: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,并根据分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 预测别匹配真实值(Ground truth)的别 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