娃娃鸭学Ruby-5、空白符

空白符包括:空格符、制表符和换行符,它们本身并不是标记,而是用于分隔不同的标记,以免这些标记合并成一个标记。

[b]注意:
有时候的空白符是必须的,还有一些实际上是被禁止的。[/b]

[b]1、作为语句终结符的换行符[/b]
C和Java每个语句必须以分号结尾。在Ruby中,也可以用分号来终结语句,但这并不是必须的。只有当你试图在一行代码里面放置多条语句时,才须要使用分号分隔它们。除此之外,依照惯例分号都是被省略掉的。

Ruby解释器的智能:
在没有显式的分号结尾下,Ruby解释器自己会找何处结尾。
如果一行Ruby代码是一个句法完整的语句,那么Ruby就将该行结尾的换行符看成是此语名的终结符,否则Ruby将继续解析下一行的语句,直到得到一个完整的语句。
有智能就会存在问题:
如果语句分布多行,就可能会被错误解释。
total=x+
y
----------------------------------------
Ruby会正确解释
但是如果是
total=x
+y
----------------------------------------
会被解释成两个表达式,total=x 将x的值赋给total,下行+y没什么意思,但是是完成的表达式。

return 和break语句可能会解释不正确。

总结:
在以下几种情况下可以放心换行
1)、一个操作符之后换入换行符,如
puts x+
y
2)、在方法调用的句点之后插入换行符
Foo.new.
say_hello
3)、在数组或哈希表字面量里,用于分隔各元素的逗号
[1,2,3] 或{x=>1,y=>1}
插入如下换行:
[1,
2,
3]
{x=>1,
y=>1}
以上两种情况不会出现问题
4)、可以用一个"\"来对换行符进行转义,这样就可以避免Ruby自动终结该语句了:
var total=first_long_variable_name+second_long_variable_name \
+third_long_variable_name # note no statement terminator above
在Ruby 1.9里,关于语句终结符的规则发生了一点小变化:如果一行代码的第一个非空白的字符是一个句点,那么这一行将被当成上一行的延续,而且在该行语句之前的那个换行符将不被当作语句终结符。
animals=Array.new
.push("dog") #ruby 1.8 中不行
.push("cow")
.push("cat")
.sort


[b]2、空格符与方法调用[/b]
Ruby的语法允许在特定环境下与方法调用相关的圆括号可以被省略,这使Ruby的方法使用起来就好象它们是语句一样。
优雅性??
危害性??相辅相成
f(3+2)+1
f (3+2)+1
难道这两者有区别?空格不被忽略
----------------------------------------
是有区别的在Ruby中, f(3+2)+1将(3+2)的结果5传递给方法f,然后结果上加1.
而f (3+2)+1则为:方法名后面有空格,在空格符之后出现的圆括号括起来的表达式3+2,先计算,然后将(3+2)+1的结果传给函数f

f(3+2)+1 =>相当于f(5)+1
f (3+2)+1 =>相当于f(6)
其中的区别,这样说来就明显了。

如果在执行代码时使用 -w 参数开启警告,Ruby将在它碰到具有二义性的代码时发出警告。
解决方案:
× 永远不要在方法名和其后的左圆括号之间留白
× 如果一个方法的第一个参数以圆括号开头,那么在此方法的调用中,请一直使用圆括号,比如f((3+2)+1)
× 请一直使用Ruby解释器的-w选项,这样它就会在你忘记了上述规则时发出警告。
  • 0
    点赞
  • 0
    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所有感兴趣的目标(物体),并确定它们的类别和位置。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,即定位出图像目标的位置并识别出目标的类别。由于各类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: 分类问题:判断图像的目标属于哪个类别。 定位问题:确定目标在图像的具体位置。 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、算法分类 基于深度学习的目标检测算法主要分为两大类: 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类。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,直接在网络提取特征来预测物体分类和位置。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类别概率。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