函数的相关思考

 为什么需要函数:

  1、避免重复性操作

  2、有利于程序的模块化

 

什么是函数:

  逻辑上:能够完成特点功能的代码块

  物理上:能够接收数据【也可以不接收数据】

      能够对接收的数据进行处理

      能够将数据处理的结果返回【也可以不返回任何值】

 总结:

  函数是个工具,他是为了解决大量类似问题而设计的,相当于一个黑匣子

 

如何定义一个函数:

  函数返回值类型     函数名(形式参数)

  {

     函数执行体

  }  

  1、函数定义的本质是详细描述函数之所以能够实现某个特定功能的具体方法

  2、return 表达式,  含义,以及和break的区别      

    1、终止被调函数,向主调函数返回表达式的值
    2、若被调函数的表达式为空,则return终止函数,不返回任何值。
    3、break是用来终止循环和switch的,return是用来终止函数的。

  3、函数返回值得类型,也称函数的类型,因为如果return返回的值的类型和定义时的函数返回值的类型不一样,那么以定义时的为准。

 

 

函数的分类:

  1、有参函数和无参函数

  2、 有返回值函数和无返回值函数

  3、库函数和用户自定义的函数

  4、值传递函数和地址传递函数

  5、普通函数和主函数(main函数)

    一个程序必须有且只有一个主函数

    主函数(main函数)可以调用普通函数,普通函数不可以调用主函数(main函数)

    普通函数之间可以相互调用

    主函数是程序的入口,同时也是程序的出口。

 

函数调用和函数定义的顺序

若果函数调用写在了函数的前面,那么必须加函数函数前置声明

函数前置声明作用:
1、告诉编译器即将可能出现的一组字母是一个函数
2、告诉编译器这个函数的返回值的类型,形参类型
3、函数声明是一个语句,末尾必须加上分号
4、对库函数的声明是通过 #include <库函数文件的名字.h> 来声明的

 

形参和实参:

  个数必须相同

  位置一一对应

  数据类型必须相互兼容

 

函数的合理设计:

每个函数的功能尽量单一,提高代码的利用率

 

常用的系统函数:

  double sqrt(double x);    求的x的平方根

  int abs(int x);  求x的绝对值

  double  fabs(double x);  求x的绝对值

转载于:https://www.cnblogs.com/luo841997665/p/4641862.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于YOLOv9实现工业布匹缺陷(破洞、污渍)检测系统python源码+详细运行教程+训练好的模型+评估 【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自义修改 --iou-thres,iou阈值,自义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【特别说明】 *项目内容完全原创,请勿对项目进行外传,或者进行违法等商业行为! 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
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