java mod 运算符_Java开发笔记(八)五种算术运算符

计算机科学起源于数学,早期的计算机也确实多用于数学运算,以至于后来的各路编程语言,仍然保留着古老的加减乘除四则运算。这四则运算在Java语言中有专门的运算符加以表示,像加法符号“+”对应Java的“+”,减法符号“-”对应Java的“-”,乘法符号“×”对应Java的“*”,除法符号“÷”对应Java的“/”,除此之外,还有一个求余数运算,在数学上使用mod表示,而Java对应的求余运算符为“%”。四则运算加求余数运算构成了Java编程的基础算术,数字和运算符的书写顺序与大众写法并无差异,下面便是这几种基本运算的代码例子:

int sum = 1+2; // 求两数相加之和

System.out.println("sum="+sum);

int differ = 7-3; // 求两数相减之差

System.out.println("differ="+differ);

int product = 5*6; // 求两数相乘之积

System.out.println("product="+product);

int quotient = 81/9; // 求两数相除之商

System.out.println("quotient="+quotient);

int remainder = 40%3; // 求两数相除之余数

System.out.println("remainder="+remainder);

运行以上测试代码,得到如下的运算日志。

sum=3

differ=4

product=30

quotient=9

remainder=1

可见上述的运算结果符合平常的加减乘除逻辑。

整数的四则运算看来是波澜不惊,倘若有小数参与运算,计算结果还是一样的吗?接下来先看个除法运算,前面的除法算的是81除以9,因为刚好能除尽,所以求得的商毫无疑义是9。那末换种除不尽的情况,比如说25除以4,按日常生活中的除法,此时求得的商应该是6.25。但是Java语言另有规定,如果被除数和除数都是整型,求得的商也只能是整型数,故而25除以4得到的商变成了6,也就是省略了小数部分。要想让这个商成为包括小数部分的数值,就必须让被除数和除数之一变成小数,只有其中一个是小数,Java才会把整数的除法运算转为小数的除法运算。例如25.0/4、25/4.0、25.0/4.0这几种写法,都将变成双精度类型的除法,最后求得的商也变作了双精度数6.25。下面是前述的除法运算用到的实验代码:

// 被除数和除数都是整数,则求得的商为去掉小数部分的整数

int quotientInt = 25/4;

System.out.println("quotientInt="+quotientInt);

// 被除数和除数只要有一个是浮点或双精度数,则求得的商保留小数部分

double quotientDouble = 25.0/4;

// 25/4.0的运算结果跟25.0/4是一样的

//double quotientDouble = 25/4.0;

System.out.println("quotientDouble="+quotientDouble);

运行上面的实验代码,打印出来的运算日志见下。

quotientInt=6

quotientDouble=6.25

然而对小数进行除法运算,有时候计算结果并不精确,譬如以下的测试代码:

// 因为float和double类型自身为约数表示,所以除法运算得到的商也是约数,不能保证小数部分是精确的

double quotientDecimal = 8.1/3;

System.out.println("quotientDecimal="+quotientDecimal);

// 对浮点数和双精度数求余数,也存在约数造成的问题,即余数的小数部分可能并不准确

double remainderDecimal = 5.1%2;

System.out.println("remainderDecimal="+remainderDecimal);

这个测试代码的运算很简单,8.1除以3正常求得的商为2.7,至于5.1除以2的余数正常应为1.1。可是一旦运行上述的测试代码,会发现除法结果竟然是下面这样的:

quotientDecimal=2.6999999999999997

remainderDecimal=1.0999999999999996

以上得到的商和余数真是叫人目瞪口呆,说好的2.7和1.1怎么走样了呢?其实这种情况在一开始便埋下伏笔了,之前介绍浮点型和双精度型时,提到它们本身并非精准的数值,而是一个尾数乘以10的若干次方,并且浮点型的精度只有6到7位,双精度型的精度则为15-16位,精度以外的数字纯属打酱油的。现在Java对小数进行除法运算,打酱油部分的数字也来凑热闹,本来能除得尽的小数,由于些许的偏差反而变得除不尽了,以至造成画蛇添足的尴尬。这就告诉我们,要谨慎对待小数的除法和取余数运算。

### 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