python迭代器笔记

关于迭代器的一些知识点

知识点:可迭代对象

关于可迭代对象的定义:
一般来说,我们使用的str,list,tuple,dict等的这些数据容器都是可迭代对象。可迭代对象都有可以特性,就是可以用for循环来遍历。
程序执行时,每一次对过程的重复称为一次“迭代”,每一次迭代的结果都会成为下一次迭代的初始值。
定义:具有__iter__ 函数的对象,可以返回迭代器对象
作用:可以参与for循环
可迭代对象的标志:具有__iter__(),返回值是迭代器。
迭代器:
标志:具有__next__(),返回值是聚合对象的元素
作用:可以迭代
语法
– 创建:
class 可迭代对象名称:
def _ iter_(self):
return 迭代器
– 使用:
for 变量名 in 可迭代对象:
语句
3. 原理:
迭代器 = 可迭代对象._ iter_()
while True:
try:
print(迭代器._ next_())
except StopIteration:
break

具体例子:

需求:让技能管理器对象可以参与for循环

class SkillManager:
    """
        技能管理器
        具有__iter__方法,可迭代对象.
    """
    def __init__(self):
        self.__all_skill = []

    def add_skill(self, skill):
        self.__all_skill.append(skill)

    def __iter__(self):
        # 创建技能迭代器对象(传递需要迭代的数据)
        return SkillIterator(self.__all_skill)
需要注意的地方:

def iter(self):
return SkillIterator(self.__all_skill)
我们的创建的是迭代器的对象,返回的的就是需要迭代的数据,这也是与SkillManager与下面SkillIteratior所创建的联系。

class SkillIterator:
    """
        技能迭代器
    """
    def __init__(self, data):
        self.__target = data
        self.__index = -1    # 返回数据时,会先自增1

    def __next__(self):
        self.__index += 1
        # 当前需要获取的索引 比最大索引还大
        if self.__index  >  len(self.__target) - 1:
            raise StopIteration
        return self.__target[self.__index]

manager = SkillManager() #创建对象
manager.add_skill("九阳神功")
manager.add_skill("乾坤大挪移")
manager.add_skill("加藤之手")

到了这里,很多人会问两个类之间的联系究竟要怎么创建,当时我也懵了很久。甚至一度认为SkillIteratior是SkillManager的派生类,后来我发现他们两个之间的调用用继承关系是无法实现,而且这种想法是大错特错的。所以,在这里再次强调,SkillManager和SkillIteratior他们是相互独立的,不存在继承的关系。所以上面SkillManager.__iter__的作用是把需要迭代的数据传给了迭代器。
下面,我们再进行测试:

for item in manager:
    print(item)

测试结果

  • 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
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