JAVA的反射机制

关键字:

Class 类类,它是一个类,直接继承自Object类,不要与JAVA的内部关键字class相混淆。

Method 同样是一个类,用于记录某个类或接口的成员方法的信息,并且可以调用(invoke)该方法。

Field 同样是一个类,用于记录某个类的实例的成员变量的信息。

reflection: JAVA使用该单词来描述这种机制,reflection有影子,倒影的意思,个人认为如果翻译成“镜像”,能更直观的反射出reflection机制到底是一种什么样的机制。


反射机制概述:

所谓反射,或倒影,就是“从镜子里看某一事物,虽然我没有看到实物,但是通过镜子,我看到了与实物极其相似的效果”。一旦有了这种机制,回到JAVA中来说,你给我任何 一个类,虽然我不能直接看到该类的细节,但是我可以在运行期间从其“镜像”中看到我想看到的任何一个细节。


例子:

/**
 * JAVA的反射机制,即在运行时而非编译期知晓某个指定类的内部结构
 * 使用反射机制时,最重要的一个类就是“类类”,即Class类,它同样继承自Object
 * 在JAVA程序启动后,针对每个对象,JVM都会自动为其生成一个关联的Class的实例
 * 
 * EG:有一个类叫Customer,运行期间,该类生成一个对象叫cstm,那么JVM会为cstm生成
 * 一个Class的实例,比如叫cstm_class,以追踪cstm的信息
 *  
 * 本例程是学习【风中叶-张龙】老师的视频之后自由编写,用于加深对JAVA反射机制的理解。
 *  
 * */

package com.owen.reflection;

import java.util.List;
import java.lang.reflect.Field;
import java.lang.reflect.Method;
import java.util.ArrayList;


/**
 * ClassInfomation类,一个例子,其内演示如何动态知晓某个指定类的相关结构
 * */
public class ClassInformation {
	
	/**
	 * 记录用户动态指定的类全名
	 * */
	private String m_classFullName;
	/**
	 * 与用户指定类相关联的Class类
	 * */
	private Class<?> m_classType;

	/**
	 * 下面是两个构造方法,一个是不带参数的默认构造方法,另一个是带参数的构造方法
	 * 
	 * 获取某个类的classType有四种方法:
	 * 1,当知道目标类的全名时,可使用Class的forName方法
	 * 2,当知道目标类的类名时,可使用.class的方式
	 * 3,当知道目标类的一个实例时,可使用实例调用getClass方法
	 * 4,针对8个内部数据类型,可使用TYPE,比如Integer.TYPE,它跟Integer.class是相同的效果
	 * 
	 * */
	public ClassInformation() {}

	public ClassInformation(String classFullName) {
		if ("".equals(classFullName)) {
			m_classFullName = null;
			m_classType = null;
			return;
		}
		try {
			/**
			 * 知道类的全名,故可采用forName的方法去获取其classType
			 * */
			m_classType = Class.forName(classFullName);
			m_classFullName = classFullName;
		} catch (Exception e) {
			System.out.println("Exception of Class.forName()" + e);
		}
	}

	public String getM_classFullName() {
		return m_classFullName;
	}

	public void setM_classFullName(String m_classFullName) {
		this.m_classFullName = m_classFullName;
	}

	public Class<?> getM_classType() {
		return m_classType;
	}

	public void setM_classType(Class<?> m_classType) {
		this.m_classType = m_classType;
	}

	/**
	 * 以下是Class类中常用的方法,获取全部成员变量,获取公开成员变量,获取全部方法(不包括构造方法),获取全部公开的方法(不包括构造)
	 * */
	public List<String> getPublicFields() {
		List<String> list = new ArrayList<String>();
		for (Field field : m_classType.getFields()) {
			list.add(field.toString());
		}
		return list;
	}

	public List<String> getAllFields() {
		List<String> list = new ArrayList<String>();
		for (Field field : m_classType.getDeclaredFields()) {
			list.add(field.toString());
		}
		return list;
	}

	public List<String> getPublicMethods() {
		List<String> list = new ArrayList<String>();
		for (Method method : m_classType.getMethods()) {
			list.add(method.toString());
		}
		return list;
	}

	public List<String> getAllMethods() {
		List<String> list = new ArrayList<String>();
		for (Method method : m_classType.getDeclaredMethods()) {
			list.add(method.toString());
		}
		return list;
	}

	
	/**
	 * 这里是动态生成一个对象的副本,所谓动态,即编译期不清楚该对象的内部结构,而是在运行期使用Class采用反射机制去动态获取
	 * 
	 * 基本流程:
	 * 1,当前目标是一个类的对象,故使用obj.getClass()去获取与其相关的Class对象
	 * 2,调用目标对象的默认构造方法,即通过Class的不带参数的newInstance方法来完成,这里需要注意,目标对象所属的类必须要存在默认构造方法
	 *    (所谓存在即,或者存在JAVA默认提供的无参构造方法,或者当存在带参数的构造方法时,需要显式写出默认无参的构造方法)
	 * 3,通过Class获取目标对象的所有成员变量
	 * 4,针对目标对象的每个成员变量,通过其变量理分析出与其相关的get set方法
	 * 5,针对获取的每一个get方法,通过使用Method的invoke方法去执行之,以获取当前成员变量的当前值
	 * 6,针对每一个set方法,通过使用Method的invoke方法去执行之,参数是第5步中通过对get的调用取得的值
	 * 
	 * 当所有成员变量的值均被设定之后,目标类的一个新实例就完成了对当前实例的复制
	 * */
	public Object copyObject(Object obj) throws Exception {
		Class<?> classType = obj.getClass();

		Object cpyObj = classType.newInstance();

		Field[] fields = classType.getDeclaredFields();
		for (Field field : fields) {
			String fieldName = field.getName();
			String firstLetter = fieldName.substring(0, 1).toUpperCase();
			String strGetMethod = "get" + firstLetter + fieldName.substring(1);
			String strSetMethod = "set" + firstLetter + fieldName.substring(1);

			Method getMethod = classType.getMethod(strGetMethod, new Class[] {});
			Method setMethod = classType.getMethod(strSetMethod,new Class[] { field.getType() });

			Object value = getMethod.invoke(obj, new Object[] {});

			setMethod.invoke(cpyObj, new Object[] { value });
		}
		return cpyObj;
	}

	public String getGetMethodName(Field field) {
		String fieldName = field.getName();
		return "get" + fieldName.substring(0, 1).toUpperCase()
				+ fieldName.substring(1);
	}

	public String getSetMethodName(Field field) {
		String fieldName = field.getName();
		return "set" + fieldName.substring(0, 1).toUpperCase()
				+ fieldName.substring(1);
	}

	public Method getGetMethod(Class<?> classType, Field field)
			throws NoSuchMethodException, SecurityException {
		if (null == classType) {
			return null;
		}
		String getMethodName = getGetMethodName(field);
		return classType.getMethod(getMethodName, new Class[] {});
	}

	public Method getSetMethod(Class<?> classType, Field field)
			throws NoSuchMethodException, SecurityException {
		if (null == classType) {
			return null;
		}
		String setMethodName = getSetMethodName(field);
		return classType.getMethod(setMethodName,
				new Class[] { field.getType() });
	}

}

最后:感谢张龙老师(风中叶)的细心讲解视频


  • 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