for循环(笔记整理)

什么时候使用循环呢?
当对某些代码执行很多次时,使用循环结构完成。
当对一个条件进行一次判断时,可以用if语句。
当对一个条件进行多次判断时,可以用while语句。

注意:在使用循环时,一定要明白哪些语句需要参与循环,哪些不需要
for循环的执行顺序:
这里写图片描述

1.

for(;;):
for循环可以什么表达式都不写,两边的表达式是没有的,而中间的表达式是默认有的,为true
而且,for循环中的表达式中间一定是条件表达式,其余的两个可以为任意表达式,但是一般不这么做,如图:这里写图片描述

2.for循环的嵌套
循环体本身又是一个循环,就称为循环的嵌套,是一种大圈套小圈的思想:有一种重复的情况,而这种重复的情况每一次重复都对应另外一种情况的多次重复

3.
&&&&&
&&&&&
&&&&&
&&&&&

要记住这种图形在打印5个&后要换行,换行在内循环外,外循环内用System.out.println();外循环控制的是行数,内循环控制的是每一行的个数或者说是列的个数

小思想:
看来视频很多次,发现老师都是先分析哪个数值是变化的,然后用变量去代替它,这个思想特别地重要,要多加练习,如图:要打出如图的三角形,行数是固定的,改变的只有列数,所以只需要改内循环,而内循环有两种变化,一种是前面的数不变,后面的数递减,或者是前面的数递增,后面的数不变,而这种变化的值,可以用一个变量z来代替
这里写图片描述

而且最后我们发现x的变化和z的变化趋势是一样的(初始化都是1,变化都是自增),所以可以用x代替z,如图:
这里写图片描述

4.
for循环和while循环有点区别,就是for循环在执行完后,他初始化的变量就释放了,不能再继续操作使用了,而while循环在他循环结束后,还能对那个初始化变量进行操作,因为他的循环不包括初始化部分。如图:其中,y是不能输出的,因为它被释放了
这里写图片描述

### 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