python学习第三天

深拷贝和浅拷贝

集合类型和函数
  • 函数的变长参数
  1. def f(x, *args)   --在调用该函数时,传入位置参数,从第二个参数开始所有的参数值组成一个元组传递给args。
  2. def f(x,**args)  --在调用该函数时,传入关键字参数(第一个参数既可以传位置参数,也可以传关键字参数),从第二个参数开始所有的参数值组成一个字典传递给args。
  3. def f(x,*args,**kwargs)   --在调用该函数时,除x参数外,传入的所有位置参数组成一个元组传递给args,传入的所有关键字参数组成一个字典传递给kwargs。
  • 向函数传元组元素(不是传元组)
  1. 比如一个函数定义了两个参数f(x,y),一个元组也有两个元素t=(1,2)
  2. 怎样将这个元组的两个元素传递给这个函数的参数呢
  3. f(*t)
  4. 注意元组的元素个数与函数的参数个数必须一致才能传递
  • 向函数传字典元素(不是传字典)
  1. 函数是可以这样调用的:f(y=23,x=8) 
    所以如果有一个字典:d={"x":8,"y":23}  -- key的名称必须跟函数的形式参数名称一致
    则可以这样传递:f(**d)

内建函数
  1. abs()
  2. max()
  3. min()
  4. len()
  5. divmod()   #divmod(5,2) = (2,1)
  6. pow()  #乘方 pow(2,3)=8
  7. round() #四舍五入 round(4.5)=4 round(4.501)=5
  8. callable()
  9. isinstance()
  10. range()
  11. type()
  12. int()
  13. float()
  14. complex()
  15. str()
  16. list()
  17. tuple()
  18. hex()
  19. oct()
  20. chr() #chr(0x31)=‘1’,chr(0x61)=‘a’
  21. ord() #hex(ord('a’))=0x61
  • 字符串处理函数:
  1. s.replace(old, new[, max])  #将old替换为new,最多不超过max次
  2. s.split(string[,num])  #将s用string分割num次,返回一个list
  3. s.join(sequence of str) #将一个元素为字符串类型的元组或者列表用s拼接,返回一个字符串
  • 序列处理函数
  1. filter(function, iterable)   //返回filter对象
  2. zip(iterable,…)  //返回zip对象
  3. map(function, iterable,…)   //返回map对象
  4. filter,zip,map对象的迭代方法是:for i in f|z|m:print(i)
  5. from functools import reduce
  6. reduce(function, iterable[, initializer])  //function有2个参数,第一次取iterable中的前2个值给function,第二次将计算结果和iterable中的第3个值给function。返回值类型为function的返回值类型.
注意以上函数中,lambda表达式作为函数参数会很有用。
迭代器
  • 迭代是Python最强大的功能之一,是访问集合元素的一种方式。
  • 迭代器是一个可以记住遍历的位置的对象。
  • 迭代器对象从集合的第一个元素开始访问,直到所有的元素被访问完结束。迭代器只能往前不会后退。
  • 迭代器有两个基本的方法:iter() 和 next()。
  1. iter(iterable)      iterator
  2. next(iterator)     下一个元素
  • 凡是实现了__iter__方法的类型(比如字符串,元组和列表)都是iterable的类型。
  • next()方法如果取不到下一个元素,则会抛StopIteration异常。
生成器
  • 使用了yield的函数被称为生成器(generator)。
  • 跟普通函数不同的是,生成器是一个返回迭代器的函数,只能用于迭代操作,更简单点理解生成器就是一个迭代器。
  • 在调用生成器运行的过程中,每次遇到 yield 时函数会暂停并保存当前所有的运行信息,返回 yield 的值, 并在下一次执行 next() 方法时从当前位置继续运行。
  • 调用一个生成器函数,返回的是一个迭代器对象。

def fibonacci(n):
    a,b,counter=1,1,0
    while True:
        if counter>=n:
            return
        yield a
        a,b=b,a+b
        counter += 1

f=fibonacci(10)

while True:
    try:
        print(next(f),end=",")
    except StopIteration:
        print("quiting...")
        break

模块和包

模块
  • 模块是Python组织代码的基本形式
  •   Python的脚本都是用扩展名py的文本文件保存的,一个脚本可以单独运行,也可以导入另一个脚本运行。当脚本被导入运行时,我们将其称为模块(module)
  •   模块名与脚本的文件名相同
  •   内置变量__name__:当本模块是直接调用的时候,值是__main__;如果是被引用的,值是模块名
  •   Python的模块可以按目录组织为包
  •   创建一个包的步骤是:
  1.   - 建立一个名字为包名字的文件夹
  2.   - 在该文件夹下创建一个__init__.py文件(可以为空,该文件的存在表明该文件夹为一个包。),
  3.   - 根据需要在该文件夹下存放脚本文件、已编译扩展及子包。
  4.   - import pack.m1, pack.m2, pack.m3
导入
import可以导入一个包中的模块,或者一个模块中的方法
  • import 包名.模块
  • import as:导入一个模块,并给它取一个别名:import cal as c,这个时候可以用别名调用:c.jia()
  • from import: 
  1. from 包名 import 模块名:这个时候用包名.模块名.方法名访问
  2. from 包名.模块名 import 方法名:这个时候直接用方法名访问,不用写模块名
  3. from 包名 import *:导入包中的所有模块
  4. from 包名.模块名 import *:导入模块中的所有方法。
__init__.py文件
  • 包的__init__.py文件通常为空,但是可以为它增加其它的功能。
  • 在导入一个包时,实际上是导入了它的__init__.py文件。因而我们可以在__init__.py文件中批量导入我们所需要的模块,而不再需要一个一个导入。例如在包pack1的__init__.py文件中写入:
  1.   import re
  2.   import sys
  3.   import os
  4. 则我们import pack1或者from pack1 import *时,就同时import了re,sys,os模块。
  5. 在__init__.py文件中对__all__变量赋值可以达到同样的目的,比如:
  6.   __all__=[‘re’,’sys’,’os’]
  7. 之后我们import pack1或者from pack1 import *时,也同时import了re,sys,os模块。
  • 常用的内置模块
  1. time模块 –时间处理
  2. datetime模块 –方便时间计算
  3. random模块 –生成随机数
  4. random.random() #返回0-1(不含)之间的一个随机数
  5. random.randint(1,10) #返回1-10(含)之间的一个随机整数
  6. random.randrange(1,10) #返回1-10(不含)之间的一个随机整数
  7. os模块 –提供对操作系统进行调用的接口
  8. sys模块 – 提供对解释器相关的操作
  9. shutil模块 – 高级的文件、文件夹、压缩包处理模块
  10. logging模块 – 用于便捷记录日志且线程安全
  11. re模块 –正则表达式处理

正则表达式

正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。正则表达式通常被用来查找、匹配、替换、分割那些符合某个模式的文本。
正则表达式由字符(包括特殊字符)和量词组成。
正则表达式中的字符

正则表达式中的量词

re表达式提供正则表达式相关的功能
  • re.match(pattern, string, flags=0)
  • re.search(pattern, string, flags=0) #在一个字符串中查找匹配
  • re.sub(pattern, repl, string, count=0, flags=0)#将字符串中匹配正则表达式的部分替换为repl值或repl函数返回值
  • re.findall(pattern, string[, pos[, endpos]])  #找到匹配,返回所有匹配部分的列表
  • re.split(pattern, string[, maxsplit=0, flags=0])#根据匹配分割字符串,返回分割字符串组成的列表
  • re.finditer(pattern, string, flags=0)
  • re.compile(pattern[, flags])

文件操作

打开文件和关闭文件

  • 打开文件
  1. file_object = open(r'E:\javaying\测试文件.txt','r', encoding='UTF-8’)

    默认的encoding是ASCII,如果打开中文文件,需要加encoding参数
  • 关闭文件
  1. file_object.close()
打开文件的模式

文件操作
  • 常用方法:
  1. fileObject.write(string)
  2. fileObject.read([count])
  3. fileObject.seek(offset [,from])
  4. fileObject.readline()
  5. fileObject.readlines()
  6. fileObject.writelines(sequence)
  7. fileObject.close()
  • os模块提供的操作文件的功能(需要import os):
  1. os.rename(current_file_name, new_file_name)
  2. os.remove(file_name)
  3. os.mkdir("newdir")
  4. os.chdir("newdir")
  5. os.getcwd()
  6. os.rmdir('dirname')

异常处理

try语句处理异常

raise语句处理异常

可以用raise语句抛出一个异常,它可以带一个参数,该参数必须是Exception或其子类的一个对象。例如:

try:
    raise NameError('HiThere')
except NameError:
    raise


  • 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