python x y 和pycharm_python中使用pycharm变量与程序调试

原标题:python中使用pycharm变量与程序调试

知识回顾:

Python控制台REPL环境

*数值上是普通的乘法,字符串上是字符串重复的倍数。

**在数值使用时候,相当于x的y次方。**不能用于字符串,会报错。

本节知识视频教程

文字讲解开始:

一、python变量

变量:可以变化的数据量。

数据量:包含所有的数据类型,字符串、整型、布尔型、浮点型等。

打个比方:框。框上的标签就是变量的名称,框中可以放对应标签的东西。

深层理解:变量的使用,都是在使用内存空间。每声明一个变量都会使用一定的内存空间。

二、利用pycharm来进行调试python程序

调试:所谓调试,就是要看到程序运行的过程,且需要知道自己在程序中写的所有的变量的值的变化。

调试之前注意:一定要先下断点(红色的点),断点的作用就是让程序调试的时候,自动运行到下断点的位置。

蓝色条代表代码运行到这行,但是这行语句还没有被执行。

三、断点调试工具栏

注意:

f8步过的时候会直接返回函数的结果,而不会进入到函数中。

F7步入的时候,如果遇到函数,会自动进入到函数体内部。

四、总结强调

1、掌握变量的具体含义和原理。

2、学会只用pycharm来调试,F7步入,F8步过。

在调试过程中可以观察到所有的变量的值在函数执行过程中的变化。

相关文章:

python中类的构造方法

Python中类的接口

python中利用API文档开发与学习

python中类和对象

python中函数递归VS循环

python中函数的可变参数

python中自定义序列的实现

python第一个程序,定位在小学数学还是幼儿园?

python输入与输出涨姿势

python中整型与浮点型的数值转换返回搜狐,查看更多

责任编辑:

  • 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 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,并利用这些特征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称为非极大抑制,作用是从众多预测边界框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,将置信度分数小于阈的直接过滤掉 将剩下框的置信度分数从大到小排序,选最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈(一般为0.7),就将框删除(超过设定阈,认为两个框的里面的物体属于同一个类别) 从未处理的框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即均平均精度,是评估目标检测模型效果的最重要指标,这个介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均,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Precision和Recall的概念。 首先我们设置置信度阈(Confidence Threshold)和IoU阈(一般设置为0.5,也会衡量0.75以及0.9的mAP): 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(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真有多个预测结果时,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 Recall表示TP与真实边界框数量的比 改变不同的置信度阈,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