python有趣的面试题_【Python】有趣的面试题

面试里有犹豫的问题……

1、Fibonacci序列

#我最开始的答案:

def fibs(n):

assert isinstance(n, int) and n>=0

if n==1 or n==2:

return 1

else:

return fibs(n-1)+fibs(n-2)

#面试官:递归可以,但是会有重复计算,可以改进吗?

#我:重复,好像是一颗不全满的二叉树?试试递归→循环?(记得二分搜索是可以拆的)

def fibs(n):

assert isinstance(n, int) and n>=0

if n==1 or n==2:

return 1

first=1

second=1

n=n-2

while (n>0):

temp=second

second=first+second

first=temp

n-=1

return second

#面试官:其实可以用yiled……充分发挥Python这门语言的优势

#我:哦………%生成器

#尝试写一下

def fibs():

first=1

second=1

yield first

yield second

while True:

yield first+second

temp=second

second=first+second

first=temp

def show_fibs(n):

assert isinstance(n, int) and n>=0

it=fibs()#it是生成器对象

for i in range(n):

print(next(it))

show_fibs(5)

#写完我在想,是不是所有的递归都可以拆成循环,以及是不是所有的循环都可以拆成生成器

#【复习生成器……】

2、单链表的相邻元素两两交换

#当时没有答出来,下来花了半个小时也没有写对……

#昨天经 @unoyx 提醒,可以用只交换data的方法达成目的,但这种实现写法在其他语言里可能有问题(我不懂)

#随后终于把两种都写了出来,@shenJin总结得很对:只要指针不乱指!(所有错误的根源……)

class Node(object):

def __init__(self,data,next=None):

self._data=data

self._next=next

class SingleLinkedList():

def __init__(self):

self._head=None

def exchange1(self):

#交换指针

if (self._head!=None and self._head._next!=None):#至少有2个元素,否则不需要做任何事

#head指针比较特殊,需要单独考虑

first=self._head

self._head=self._head._next

#接下来就是循环,每一轮会改变两个指针的指向

probe=first#初始化指针位置

while True:

third = probe._next._next # 提前保存probe._next._next

probe._next._next=probe#第一次改变指针指向

if third==None or third._next==None:#当前节点为1往后数到3或4为空,不需要交换

probe._next=third

return

else:#否则当前节点1的next指向往后数节点3的next,也就是节点4

probe._next=third._next

probe=third

def exchange2(self):

#只交换data

probe=self._head

while(probe!=None and probe._next!=None):

#当probe和probe._next所指向的元素不为None时,交换这两个元素

temp_pointer=probe##提前保存probe的位置

temp=probe._data

probe._data=probe._next._data

probe._next._data=temp

#之后指针前移两格

probe=temp_pointer._next._next

3、函数装饰器(被问过两三次了……)

问:如果一个函数以同样的参数被反复调用……考虑将函数的返回值保存起来,以后直接取用会提高效率,请用装饰器实现……

#感谢 @Manjusaka 的提问,印象深刻……

a_lst=[]#想写成字典但是找不到唯一的key

def buff(func):

def wrapper(*args,**kwgs):

global a_lst

for item in a_lst:

if args==item[0] and kwgs==item[1]:

return item[2]

else:

result=func(*args,**kwgs)

a_lst.append([args,kwgs,result])

return result

return wrapper

@ buff

def func(*args,**kwgs):

pass

func(real_args1,real_kwgs1)

func(real_args1,real_kwgs1)

func(real_args1,real_kwgs1) #多次调用,希望其中的计算过程可以省略

4、手写多线程,以及:子线程如何向主线程返回数据?

#摘抄以前的笔记,以下

#(1)直接实例化t一个threading.Thead对象

t=threading.Thead(target=func,ars=())

t.start()

#(2)从threading.Thead派生一个新的类并实现它的run()方法,

class MyThread(threading.Thead):

def run(self):

pass

t=MyThread()

t.start()

问:子线程如何向主线程返回数据?

(1)定义全局变量,只要在一个进程内都可以共享

(2)线程队列queue.Queue

重点看queue.Queue对象具有这样一些方法:q.get()

q.put(a_para)

q.size()

q.empty()

q.full()

q.get_nowait()等价于q.get(Fasle)

q.put_nowait()等价于q.put(False)

q.task_done()#完成一项任务后,改变q

q.join()#阻塞……知道q判断等所有任务都完成也就是发出q.task_done以后。因此,如果用了q.join(),那么每次q.get()以后都要加上q.task_done(),否则一直阻塞。

线程队列与【生产者消费者模型】:

?(1)解决大并发(2)通过中间的阻塞队列解决生产者与消费者的强耦合问题

# coding=utf-8

"""

module/program document

"""

from queue import Queue

from threading import Thread

class producer(Thread):

def __init__(self, q):

super().__init__()

self.q = q

def run(self):

print('producer begin to run……')

self.count = 5

while self.count > 0:

if self.count == 1:

self.count -= 1

self.q.put(2)

else:

self.count -= 1

self.q.put(1)

print('producer finish')

class consumer(Thread):

def __init__(self, q):

super().__init__()

self.q = q

def run(self):

print('consumer begin to run……')

while True:

print('while true')

data = self.q.get()

self.q.task_done()

if data == 2:#遇2终止,遇1消费

print("stop because data=", data)

print('q.task_done')

break

else:

print("data is good,data=", data)

#self.q.task_done()#不能省略,因为q.join()需要直到所有任务都task_done才取消阻塞,所以每次get后需要调用task_done,

print('consumer finish')

def main():

qq = Queue()

p = producer(qq)

c = consumer(qq)

p.setDaemon(True)

c.setDaemon(True)

p.start()

c.start()

print('stage 1')

qq.join()#Blocks until all items in the Queue have been gotten and processed,也就是等到Queue都处理完了,主线程才往下

print('stage 2')

print("queue is complete")

if __name__ == '__main__':

main()

  • 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