php为什么速度快,为什么 === 的速度比 == 快

534f412d59dd66f1abae0530c59fbe5f.png

比较运算符 == (相等运算符) 和 === (恒等运算符) 用于比较两个值。他们也被称为 宽松等于 (==) 和 严格等于 (===) 运算符。

符号

名称

例子

输出结果==

等于

$a == $b

忽略类型,如果 $a 等于 $b 则为 TRUE

===

恒等于

$a === $b

如果 $a 等于 $b,并且类型相同则为 TRUE

PHP 运算符 PHP中有很多运算符, 但 == 和 === 运算符严格或随意执行类似的任务。

如果两个值的类型不同,那么 == 和 === 会得到 不同的结果。运算速度也会有所不同, 因为 == 会先进行类型转换,然后进行比较。

如果两个值类型相同,那么 == 和 === 会得到 相同的结果。 运算速度也几乎相同,两个运算符都不会进行类型转换。

相等运算 == 比较两个值时会临时转换数据类型,而 === (全等运算符)不需要执行任何类型转换,因此计算量减少,速度也更快。

案例 1:

// 0 == 0 -> 类型相同返回 true

// 转换完成,然后

// 检查是否相等

var_dump(0 == "a");

// 1 == 1 -> true

var_dump("1" == "01");

// 10 == 10 -> true

var_dump("10" == "1e1");

// 100 == 100 -> true

var_dump(100 == "1e2");

// 0 === "a" -> 这种情况为 false

// 转换不仅完成

// 还检查是否存在

// 是否相等

var_dump(0 === "a");

// "1" === "01" -> false

var_dump("1" === "01");

// "10" === "1e1" -> false

var_dump("10" === "1e1");

// 100 == "1e2" -> false

var_dump(100 === "1e2");

switch ("a") {

case 0:

echo "In first case";

break;

// 永远不会匹配 "a" 选项

// 因为 switch 使用的是 ==

case "a":

echo "In sceond case";

break;

}

?>

输出:

bool(true)

bool(true)

bool(true)

bool(true)

bool(false)

bool(false)

bool(false)

bool(false)

In first case

案例 2:

// TRUE - 以下表达式等同于 (bool)1 == TRUE

var_dump(1 == TRUE);

// TRUE - 以下表达式等同于 (bool)0 == FALSE

var_dump(0 == FALSE);

// FALSE - 1 不全等于 TRUE

// 1 是整形, TRUE 是布尔型

var_dump(1 === TRUE);

// FALSE - 0 不全等于 FALSE

// 0 是整形, FALSE 是布尔型

var_dump(0 === FALSE);

?>

输出:

bool(true)

bool(true)

bool(false)

bool(false)

注意: === 运算符‘类型比较相对安全’, 仅当两个值具有相同的类型和值时才会返回 TRUE, 使用 == 时,值相等就会返回 TRUE。

本文中的所有译文仅用于学习和交流目的,转载请务必注明文章译者、出处、和本文链接

我们的翻译工作遵照 CC 协议,如果我们的工作有侵犯到您的权益,请及时联系我们。

  • 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