java中方法的调用(7.5)

一.方法的基本知识

1.方法:方法的五要素
 1.访问修饰符
 2返回值类型
 3.方法名
 4.参数列表
 5.方法体
 
 2.如何自定义方法?
  -具备5要素
  -写在main方法的外面
 
  3.如何启动(运行)自定义的方法?

    public    static   int      js    (int a,int b)  {}   以该方法为例,各个部分依次是

访问修饰符   返回值类型  返回值类型  方法名(形参1,形参2){方法体}

我对于方法的理解:我觉得方法就是函数,调用的方法也和函数一样,代表着一些被封装起来的解决问题的步骤,我们不需要知道它里面是怎么运作的,只需要知道要给他什么值,同样的,也可以递归的调用方法,有趣的是,如果递归的调用自己而不给出口的话,会造成内存溢出,从而程序终止.

练习题:猜字符游戏

随机生成几个字符,在控制台输入几个字母跟随机生成的字符进行比对,打印输出猜对了几个?有几个位置是正确的?代码如下:

package Day6;

import java.util.Arrays;
import java.util.Scanner;

public class demo4 {

	public static void main(String[] args) {
		Scanner sc = new Scanner(System.in);
		System.out.println("请输入游戏难度1~9:");
	    char[] ch=zm(sc.nextInt());
		System.out.println(ch);
		System.out.println("请输入你猜的字符:");
		String str =sc.next();
		/*
		 * 要使用到的两个方法:(跟字符串有关系)
		 * 1.将字符串内容转换成大写(小写)
		 * toUpperCase()   toLowerCase()
		 * 2.将字符串转换成字符数组
		 * toCharArray()
		 */
		str = str.toUpperCase();//转换为大写
		System.out.println(str);
		char[] input=str.toCharArray();//将字符串转换为char数组
		/*
		 * 比较ch和input两个字符数组
		 */
//		System.out.println("猜对"+n+"个字符,位置对的个数"+k)s
		int[] che = check(input,ch);
		System.out.println("猜对"+che[0]+"个字符,位置对的个数"+che[1]);
	}
	
	public static  char[] zm(int level){
		char[] ziMu= {'A','B','C','D','E','F','G','H','I','J','K','L','M','N',
			'O','P','Q','R','S','T','U','V','W','X','Y','Z'};
		boolean[] flags = new boolean[26];
		char[] chs = new char[level];
		for(int i=0;i<chs.length;i++){
			int num;
			do{
				num = (int)(Math.random()*26);
			}while(flags[num]);//开关
			flags[num]=true;
			chs[i]=ziMu[num];
		}
		return chs;
	}
	
	public static int[] check(char[] input,char[] ch){
		int[] arr = new int[2];
		for(int i=0;i<ch.length;i++){
			int k = 0;
			for(int j=0;j<input.length;j++){
				if(ch[i]==input[j]){
					if(k==0){
					arr[0]++;
					k++;
					}
					if(i==j){
						arr[1]++;
					}
				}
			}
		}
		return arr;
	}
}

这里值得注意的是两个开关的设置,一个是在zm(int level)里面的flags,这个开关是为了保证随机生成的数没有重复的,相当于是在每一个字母的下面设置一个标记,初始值都为0,一旦被使用过了,就变成1,这就保证了输出值不会重复.

第二个开关是在check()方法里面的k,这个k是为了保证随机数组在跟输入的数组比对时,不会重复的计算猜到的数,就比如随机数组为ADFHY,而输入的数组为AAAAA,不加这个开关的话arr[0]就会变成5,从而输出猜到了5个数,设置了开关之后,当第一次比对arr[0]加了1后,后面相同的字母就不会再加一了.

我对于开关的理解:开关一般用于限制某个数的变化,只有当一个数不断增多突破了一个点,别的量才发生改变,或者一个数只要发生了改变,后面的数就不会变了(这也是开关字面上的意思),所以一般为判断语句.flags那个数组开关对于随机数的产生非常常用,要熟记.

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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