java scp,javascprit

数据类型:

单引号,双引号可互包

' 表示一个'

\n 换行

\t 制表符

\ 表示一个

var str = 'haha';

console.log(str)

六种数据类型:

基本数据类型:

string 字符串

number 数值

Boolean 布尔值

null

undefined

typeof 变量 检查数据类型

Number.MAX_VALUE; 最大值

Infinity 无穷大(超过最大值) Number类型

字符串相乘得NaN(Not a Number) 同Infinity一样都是常量

Number.MIN_VALUE; 最小值 5e-324(大于0的最小值)

var bool = true;

var a = null; object类型

var a; 只声明,未赋值 undefined类型

强制类型转换:

其他数据类型转成string

var a=1;

var b = a.toString(); (只适用string,number,)

a=number(a);

a非纯数字转成NaN

a = ' '; //0

true 1

false 0

null 0

undefined NaN

a = '1a';

a = parseInt(a); //1

a = '123.45';

a = parseInt(a); //123

a = '123.45.67px';

a = parseFloat(a); //123.45

a = true;

a = parseInt(a); //NaN

其他进制数字:

a= 0x; //16进制

a = 010; //8进制

a = 0b; //2进制

a = parseInt(a,10); 按十进制算

var a();=123;

a = Boolean(a); //true

a = NaN; //false

a = ''; //false

a = null; //false

a = undefined; //false

运算符:

typeof

任何值和NaN计算结果都是NaN

只要不是加,先转再算

c = c + ''; //string

c = string(c);

result=1+2+'3'; //33

result='1'+2+3; //123

result = 10-'1'; //99

result = 2null; //0

2undefind; //NaN

+'2'; 转成数字

自增:

var a =1;

a++; //2

a++ 先赋值 后自增

++a 先自增 后赋值

逻辑运算:

var a = true;

a = !a; //false

a = !!a; //true

与 遇false则false

或 遇true则true

作者:上心心上

链接:https://www.jianshu.com/p/e6ee8b66ca1c

來源:简书

简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。

  • 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中所有感兴趣的目标(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,即定位出图像中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:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 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,直接在网络中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
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中所有感兴趣的目标(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,即定位出图像中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:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 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,直接在网络中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