用五种语言写数组

1.C语言:

include <stdio.h>

int main(void)
{
int a[5] = {1, 2, 3, 4, 5};
int i;
for (i=0; i<5; ++i)
{
printf("%d\n", a[i]);
}
return 0;
}
2.C++:
#include

using namespace std;

int main()

{

int i;

cout<<“please put number in it:”;

int a[20]; /* i是随机值*/

for(i = 0; i < 20; i++)

{

cin>>a[i];

}

for(int n = 0; n < i; n++) {

cout<<a[n];

}

return 0;
3.Java:
public class Demo {

public static void main(String[] args) {
	int[] arr=new int[]{1,2,3,4,5};//定义一个int数组类型的变量arr,并为其分配内存空间和初始化
	int len=arr.length;//得到arr数组的长度
	int total=0;//和
	//注意,数组下标从0开始,到len-1结束
	for(int i=0;i<=len-1;i++){
		total+=arr[i];//求和
		System.out.print(arr[i]+" ");//根据下标来输出arr每个变量
	}
	System.out.println("和为"+total);

}

}
4.using System;

namespace 简单数组程序 {
class Program {
static void Main(string[] args) {
Console.WriteLine("// 输入 x 退出本程序");
//请用户输入实数,循环直到正确输入
int 个数 = 10;
decimal[] 实数 = new decimal[个数];
for (int i = 0; i < 个数; i++) {
bool 结果 = false;
string 输入内容 = “”;
while (结果 == false) {
Console.BackgroundColor = ConsoleColor.DarkBlue;
Console.Write("请输入第 {0} 号实数: ", i + 1);
Console.BackgroundColor = ConsoleColor.Black;
输入内容 = Console.ReadLine();
if (输入内容.Trim(’ ‘).ToLower() == “x”) { Environment.Exit(0); }
if (输入内容.Trim(’ ').ToLower() == “”) { continue; }
结果 = 判断实数是否合法(输入内容);
}
实数[i] = decimal.Parse(输入内容);
Console.BackgroundColor = ConsoleColor.DarkGreen;
Console.WriteLine(“录入 {0} 号实数 = {1}。”, i + 1, 实数[i]);
Console.BackgroundColor = ConsoleColor.Black;
}
Console.BackgroundColor = ConsoleColor.DarkCyan;
Console.WriteLine(“按任意键开始逆序输出…”);
Console.BackgroundColor = ConsoleColor.Black;
Console.ReadKey();

        for (int i = 个数 - 1; i >= 0; i--) {
            Console.Write("{0}", 实数[i]);
            if (i > 0) { Console.Write(","); }
        }
        Console.WriteLine();
        Console.BackgroundColor = ConsoleColor.DarkCyan;
        Console.Write("按任意键退出...");
        Console.ReadKey();
    }
    static bool 判断实数是否合法(string 输入内容) {
        decimal 转换的实数;
        bool 是数字 = decimal.TryParse(输入内容, out 转换的实数);
        if (是数字 == false)                 //转换数字失败就再次请求输入正确值。
        { Console.WriteLine("实数不正确!"); return false; } else {
            return true;
        }
    }
}    

}
5.#coding=utf-8

import numpy as np
a = np.array([1,2,3,4,5])
print a
b = np.zeros((2,3))
print b
c = np.arange(10)
print c
d = np.arange(2,10,dtype=np.float)
print d
e = np.linspace(1.0,4.0,6)
print e
f = np.indices((3,3))
print f

  • 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