作业 7.20

作业要求:下述所有代码画图以及分析代码执行流程
1、以定义阶段为准,先画出名称空间的嵌套关系图
2、然后找到调用函数的位置,写出函数调用时代码的执行过程,涉及到名字的查找时,参照1中画好
的嵌套图,标明查找顺序,一层一层直到找到位置
=题目一=

input = 333
def func():
    input = 444

func()  # 调用函数func,找到局部变量input=444
print(input)  # 顶级代码中的input仍然是333

在这里插入图片描述

=题目二=

def func():
    print(x)  #

x = 111
func()  # 调用函数,局部变量中没有x,向外找到全局名称空间中有,所以打印111

在这里插入图片描述
=题目三=

x = 1
def func():
    print(x)  # 函数func定义的时候就确定了x=1

def foo():
    x = 222
    func()  # x=1,与foo内的局部变量没有半毛钱关系

foo()  # 1

在这里插入图片描述
=题目四=

input = 111

def f1():
    def f2():
        # input=333
        print(input)  # 外层局部名称空间找到input=222
    input = 222
    f2()

f1()  # 嵌套调用函数f2,打印222

在这里插入图片描述
=题目五=

x = 111
def func():
    print(x)  # 在func函数局部空间内有变量x,调用时会报逻辑错误(先引用,后定义)
    x = 222

func()  # 报错

在这里插入图片描述

=题目六=

x = 111
def foo():
    print(x)  # foo局部没有x,到全局找到x=111

def bar():
    print(x)  # bar局部没有x,到全局找到x=111

foo()  # 111
bar()  # 111

在这里插入图片描述

=题目七=

x = 1

def func2():
    func1()  # 间接调用func1,func1局部变量没有x,去全局找到x=3

x = 2

def func1():
    print(x)

x = 3  # 在func2函数调用之前,全局变量中x被最终赋值成了3

func2()  # 3

在这里插入图片描述

=题目八=
1、如下全局变量记录了当前登录用户,编写登录功能,一旦用户登录成功,则将全局变量赋值为当前登录的用户名
login_user = None

login_user = None


def login():
    i = 0
    while i < 3:
        inp_name = input('请输入您的用户名:').strip()
        inp_pwd = input('请输入您的密码:').strip()
        with open('db.txt', mode='r', encoding='utf-8') as f:
            for line in f:
                name, pwd, *_ = line.strip('\n').split(':')
                if name == inp_name and pwd == inp_pwd:
                    print('登录成功!')
                    global login_user
                    login_user = inp_name
                    return
            else:
                print('登录失败!请重新登录')
                i += 1

2、针对之前编写的查询余额的功能,添加额外的逻辑:如果用户没有登录,则先执行登录功能

user_dic = {}


def check(user):
    while True:
        if login_user == user:
            with open('db.txt', mode='r', encoding='utf-8') as c_f:
                for line in c_f:
                    name, pwd, money, *_ = line.strip('\n').split(':')
                    user_dic[name] = [pwd, money]
            print(f'用户{login_user}的账户余额为{user_dic[login_user][1]}元')
        else:
            print('当前用户尚未登录,请先登录')
            login()
  • 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