java rails orm_php 模拟 rails 中的 ActionRecord 的 ORM (一)

之前使用过 Rails 的人一定会对 ActionRecord 这个 ORM 实现有比较深的印象。

所谓 ORM 即 Object-Relational Mapping,是指将主流的关系型数据库转化为类与对象

从而达到与面向对象程序设计相结合的目的,从而能更方便、自由的使用数据库资源。

ORM 中将数据库中的表映射为一个类,表的字段成为类中的变量,表中的每一个

记录都映射为一个表类的实例,记录中的各数据则用来初始化类的属性。

这是一个比较简单而直观的方式,很多框架都有各自的 ORM  实现。这里先给出测

试(测试就像是指南针,避免你迷失在代码海洋里)。

1 print_r(Model::clear(all));

2

3 $tags = new Model(); //create a new table named as tags;4 $tags->title = 'varchar(40)';

5 $tags->date = 'timestamp default now()';

6 print_r($tags->create());

7

8 $posts = newModel();

9 $posts->title = 'char(100)';

10 $posts->date = 'timestamp default now()';

11 $posts->content = 'varchar(800)';

12 print_r($posts->create());

13

14 $users = new Model();

15 $users->name = 'char(40)';

16 $users->email = 'char(40)';

17 $users->password = 'char(32)';

18 $users->regist_date = 'timestamp default now()';

19

20 print_r($users->create());

这里创建了三个表, users, posts 和 tags。 这里创建表的方式看起来有些笨拙但

比较直观。似乎没有什么方便的地方,不过之后可以根据需要进行更新代码,毕竟这还只是

初级版本。(各种完整的数据库操作需要日后补全)

输出结果如下:

1 DROP ALL TABLES DONE!

2 CREATE TABLE tags DONE!

3 CREATE TABLE posts DONE!

4 CREATE TABLE users DONE!

下面看看表的使用,还是代码:

1 $a= new Users();

2

3 //find record4 $users = $a->find_by_name('kk');

5 $users = $a->find_by_name('zhangbo');

6

7 //create a new record;8 $b = new Users();

9 $b->name = 'fine';

10 $b->email = 'fine@gmail.com';

11 $b->save();

输出为:

1Users::find_by_name("kk") has 0 result!

2Users::find_by_name("zhangbo") has 0 result!

因为此前数据库中并不存在任何数据,所以输出的结果都是空的。但此时的 $b->save()

会向数据库中写入一个新的 record。 所以最后我们有了一个持久化的结果。这里的 find_by_

使用了 php 中的一些魔术函数,以期获得动态的 find 函数,如 find_by_id、find_by_name,

find_by_name_and_id 等。

BaDPwCAvf0FII7iXjhIt1QAAAAASUVORK5CYII=

详细的代码稍后给出。

  • 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