Python中的四个容器以及其基本操作。列表、元组、字典、集合。

笔记一、容器

常用容器有四种:列表、元组、字典、集合。
基本的通用操作有 索引,切片。
其中可以进行索引的为字符串,列表,以及字典。其中每个类型索引的方式有些许不同,如字符串的索引为:
举例:如字符串为str=“adndc” 进行索引可以进行的操作为:
str[i],i的值是从0开始到len(str)-1的取到的数据类型为str[2]==n,也可以反向进行索引。
例如:str[-1]就是字符串的最后一个元素为c。其中切片操作对于字符串、列表、字典都可以进行操作。
其大概形式为;
A–这个大A可以是字符串、列表、以及字典。对于这三种容器的切片为。A[a🅱️c]这三个a、b、c分别代表的为在那个位置开始从a开始到b结束,其中包含a不包含b,c为步长。可以省略a和c这样代表从第一个开始步长默认为1,到b结束但不包含b。也可以进行反向步长如:
A[-1👎-1]表示从最后一个元素开始反向进行切片。

容器一、列表

列表的定义为a=[]
其中可以进行的操作为索引,以及切片。
添加元素有两种其中一种为.append(),直接添加在链表末尾。
另一种为.insert(a:b)这个代表的是a为添加的位置,b则是添加的数据。
其中列表可以转换为字符串,其中的操作为,‘’ *‘’.join(列表),其中双引号中的是连接列表中的数据的链接值。对于字符串转为列表有俩种操作其中一种为,直接强制转换list(字符串),还有一种为字符串.sqlit(" ,“) 按照双引号中的分割符进行分割为列表。
举例:str=” “sdshd”,“shdihs”,“wdhw”,“hidwhd’‘"这个字符串用sqlit后列标配为[ “sdshd”,“shdihs”,“wdhw”,"hidwhd’‘’],就以,分为了一个一个的这样的列表元素。列表的删除有俩种其中一种为.remove(” 数据"),这个数据必须存在不然会报错,还有一种方法为del a_list[i],i对应的是索引的下标。

容器二、元组

字典的定义为a=(,)
这样就是为区分优先()运算符。元组可以进行索引和切片。索引和切片操作与列表一样。元组与列表的区别是元组是按需存,它并没有预留的空间,列表是具有预留的空间来进行后续数据的存放。元组的添加操作只能进行+的拼接。

容器三、字典

字典的定义为a={}
字典是其中包含key关键字以及vaule的值一个关键字就是对应一个值,对于字典的操作要进行读取元素是利于for循环,其中

for item in a:
     print(item)#得到是这个字典中所有的关键字
                          
      for item in a.vaule():
         print(item)#得到是这个字典中所有值
         #如果想要得到关键值与值
               for k,v in a.items():\
               print(k)#得到是这个字典中所有关键值
               print(v)#得到是这个字典中所有值

容器四、集合

定义一个空集合为a=set()
集合a={“hds”,“jsdhih”,“shdh”}集合也是大括号括起来的,它会保持输出的数据没有重复,输出的数据也是乱序。这是集合常用的用途。
集合的运算有交集 并集 差
其中交集的符号为& 并集 | 差为 -
集合没有索引也没有切片。
集合的添加操作为a.add(" 添加的数据"),挎号中是字符串要使用双引号,如果本身集合为数字则不用加双引号。
集合的删除操作a.discard(“删除的数据”),即使删除的数据并没有在集合中也不会报错。

### 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