【无标题】

文章介绍了几个编程问题,包括用Python解决取完硬币的最少次数、查找孪生素数、计算列表的基本统计值(不使用API)、去重、合并列表、判断元素存在、列表反转和排序、生成随机数列表以及寻找重复值等基础算法和列表操作技巧。
摘要由CSDN通过智能技术生成

1、 有一堆硬币,每次只能拿一个或者两个,求最少多少次可以拿完硬币

s = [10, 8, 5, 3, 27, 99]
num = 0
for i in s:
    x = i % 2
    if x == 0:
        num = i // 2 + num
    else:
        num = i // 2 + num + 1
print(f'需要取{num}次')

 2、如果两个素数之差为2,这样的两个素数就叫作"孪生数",找出100以内的所有"孪生数"

zhi = []
for num in range(2,101):
    k = 0
    for i in range(2,num):
        if num % i == 0:
            k = 1
            break
    if k == 0:
        zhi.append(num)
    else:
        pass
print("100以内的素数有:")
print(zhi)
i = 1
while i < len(zhi):
    if zhi[i] - zhi[i - 1] == 2:
         print("%d和%d是孪生数"%(zhi[i],zhi[i-1]))
    i += 1

 3、给定一个列表,求最大值(不能使用系统api),求最小值,求平均值、求和

a = [1,3,4,6,7,2,10,2,6,9]
print(f"最大值是{max(a)}")
print(f"最小值是{min(a)}")
print(f"和是{sum(a)}")
print(f"平均值是{sum(a)/len(a)}")
a_max = a[0]
a_min = a[0]
a_sum = 0
for i in a:
    if i > a_max:
        a_max = i
    if i < a_min:
        a_min = i
    a_sum += i 
print(f"最大值是:{a_max}最小值是:{a_min}和为:{a_sum}平均值是:{a_sum/len(a)}") 

 4、将list中的重复数据去重,至少使用两种方案

a = [1, 1, 2, 4, 5, 11, 2, 2]
c = a
a = set(a)
print(a)
lx = [10, 70, 80, 50, 20, 90, 20, 30, 40, 50, 60, 70, 80, 90, 100]
ly = []
for i in lx:
    if i not in ly:
        ly.append(i)
print('列表lx去重后的元素为:', ly) 

 5、两个列表进行合并操作

a = {1,2,3,4,5,6}
b = {2,3,5,6,7,8,9,10}
print(a.union(b))
a = [5,6,7,8]
b = [10,2,3,4]
for i in b:
    a.append(i)
print(a) 

 6、使用列表判断一个列表是否在另外一个列表中

a = [1,2,3,4]
b = [1,2,3,4,5,6,7]
for i in a:
    if i not in b:
        print("a不在列表b中")
        break
    else:
        print("a在列表b中")
        break 

 7、列表的反转 列表的排序

 a = [1,2,5,89,1,0,23]
a.reverse()
print(f"反转后的列表为{a}")
a.sort()
print(f"排序后的列表为{a}")

 8、如何将0-10随机存入列表中

 import random
arr = list()
for i in range(20):
    a = random.randint(0,10)
    arr.append(a)
print(arr)

 9、存在一个1~n的连续列表,在其中不小心重复了一个值,请找出这个重复值

 res = 0
arr = [1,2,3,4,5,5]
for i in range(0,len(arr)):
    res ^= i ^ arr[i]
print(res)

  • 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