Scala -- 入门简介

scala简介

scala是运行在JVM上的多范式(多种编程方法)编程语言,同时支持面向对象和面向函数编程

早期,scala刚出现的时候,并没有怎么引起重视,随着Spark和Kafka这样基于scala的大数据框架的兴起,scala逐步进入大数据开发者的眼帘。

为什么使用scala

  1. 开发大数据应用程序(Spark程序、Flink程序)
  2. 表达能力强,一行代码抵得上Java多行,开发速度快
  3. 兼容Java,可以访问庞大的Java类库,例如:操作mysql、redis、freemarker、activemq等等

scala对比Java

下面通过两个案例,分别使用java和scala实现的代码数量

案例

     定义三个实体类(用户、订单、商品)

Java代码

/**
* 用户实体类
*/
public class User {
   private String name;
   private List<Order> orders;
​
   public String getName() {
  return name;
  }
​
   public void setName(String name) {
  this.name = name;
  }
​
   public List<Order> getOrders() {
  return orders;
  }
​
   public void setOrders(List<Order> orders) {
  this.orders = orders;
  }
}

/**
* 订单实体类
*/
public class Order {
   private int id;
   private List<Product> products;
​
   public int getId() {
  return id;
  }
​
   public void setId(int id) {
  this.id = id;
  }
​
   public List<Product> getProducts() {
  return products;
  }
​
   public void setProducts(List<Product> products) {
  this.products = products;
  }
}

/**
* 商品实体类
*/
public class Product {
   private int id;
   private String category;
​
   public int getId() {
  return id;
  }
​
   public void setId(int id) {
  this.id = id;
  }
​
   public String getCategory() {
  return category;
  }
​
   public void setCategory(String category) {
  this.category = category;
  }
}

scala代码

case class User(var name:String, var orders:List[Order]) // 用户实体类
case class Order(var id:Int, var products:List[Product]) // 订单实体类
case class Product(var id:Int, var category:String) // 商品实体类
  • 1
    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
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