迭代计算

[TOC] 一 迭代器介绍 迭代器即用来迭代取值的工具，而迭代是重复反馈过程的活动，其目的通常是为了逼近所需的目标或结果，每一次对过程的重复称为一次“迭代”，而每一次迭代得到的结果会作为下一次迭代的初始值,单纯的重复并不是迭代 while True: msg = input('>>: ').strip() print(msg) 下述while循环才是一个迭代过程，不仅满足重复，而且以每次重新赋值后的index值作为下一次循环中新的索引进行取值，反复迭代，最终可以取尽列表中的值 goods=['mac','lenovo','acer','dell','sony'] index=0 while index < len(goods): print(goods[index]) index+=1 插图：恶搞图43 1.1 可迭代对象 通过索引的方式进行迭代取值，实现简单，但仅适用于序列类型：字符串，列表，元组。对于没有索引的字典、集合等非序列类型，必须找到一种不依赖索引来进行迭代取值的方式，这就用到了迭代器。 要想了解迭代器为何物，必须事先搞清楚一个很重要的概念：可迭代对象(Iterable)。从语法形式上讲，内置有__iter__方法的对象都是可迭代对象，字符串、列表、元组、字典、集合、打开的文件都是可迭代对象： {'name':'egon'}.__iter__ {7,8,9}._

一、可迭代对象定义 可以直接作用于 for 循环的数据类型有以下几种： 一类是集合数据类型，如 list 、 tuple 、 dict 、 set 、 str、bytes、bytearray 等； 一类是 generator ，包括表达式生成器和带 yield 的函数生成器。 这些 可以直接作用于 for 循环的对象统称为 可迭代对象 ： Iterable 。 二、判断一个对象是否是可迭代对象 1 >>> from collections import Iterable 2 >>> isinstance([], Iterable) 3 True 4 >>> isinstance({}, Iterable) 5 True 6 >>> isinstance(b'abc', Iterable) 7 True 8 >>> isinstance((x for x in range(10)), Iterable) 9 True 10 >>> isinstance(100, Iterable) 11 False 三、迭代器定义 生成器不但可以作用于 for 循环，还可以被 next() 函数不断调用并返回下一个值，直到最后抛出 StopIteration 错误表示无法继续返回下一个值了。 可以被 next() 函数调用并不断返回下一个值的对象称为 迭代器 ： Iterator 。 四

Abstract (2013CVPR)虽然计算机视觉中的许多任务可以被优雅地形式化为像素标记问题，但一个典型的挑战是不鼓励这样的离散公式往往是由于计算效率。近年来，基于高效边缘感知滤波器的快速成本体积滤波研究为解决离散标记问题提供了一种快速的替代方案，其复杂性与支持的尺寸无关。然而，这些方法仍然需要遍历整个成本卷，这使得解决方案的速度与标签空间大小成线性关系。当标签空间很大时，通常是(亚像素精确的)立体和光流估计的情况，它们的计算复杂度很快变得无法接受。为了快速搜索最近邻，PatchMatch方法可以显著降低复杂度对搜索空间大小的依赖。但其像素级随机搜索和三维代价体积内的碎片化数据访问严重阻碍了有效代价片滤波的应用。本文提出了一种通用的快速多标记问题的计算框架，称为PatchMatch Filter (PMF)。我们第一次探索了有效和高效的策略，将这两种独立开发的基本技术编织在一起。、基于补丁的随机搜索和有效的边缘感知图像滤波。通过将图像分解为紧凑的超像素，我们提出了基于超像素的新搜索策略，对原有的PatchMatch方法进行了改进和推广。以稠密对应场估计为重点，论证了PMF在立体光流中的应用。我们的PMF方法达到了最先进的通信精度，但运行速度比其他竞争方法快得多，通常为大标签空间的情况提供10倍以上的加速。 1. Introduction 许多计算机视觉任务，如立体视觉

#!/usr/bin/env python3 # -*- encoding: utf-8 -*- print('Hello world') print('中国心') python程序本质是脚本语言，与shell相同，都是顺序逐条语句执行，语句执行完成后退出。没有main函数。 /*--> */ /*--> */ 00.python 程序格式 # 开头的语句是注释，其他每一行都是一个语句。 语句以冒号（：）结尾时，缩进的语句视为代码块（没有 C 语言中 {} 区分代码块）。 约定俗称， 4 个空格缩进， Tab 或空格均可以，但要保持一致。 python 大小写敏感。 0.unicode&utf-8 在计算机内存中，统一使用unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为utf-8编码。 用记事本编辑的时候，从文件读取的utf-8字符被转换为unicode字符到内存里，编码完成保存时再把unicode转换为utf-8保存到文件。 浏览网页时，服务器会把动态生成的unicode内容转换为utf-8再传输给浏览器，所以会看到许多网页的源码上会有类似<meta charset="UTF-8" />的信息，表示该网页正是用的utf-8编码。 1. 除法 Python中有两种除法，一种除法是/，/除法计算结果永远是浮点数。 地板除//，计算结果永远是整数。 余数运算%。

Java_集合面试题 0.链表，队列和栈的区别? 链表是一种存储结构，指得是存储时候除了要存储数据元素之外，还要用数据元素一起的另外空间存储数据元素的关系。 队列和栈都是线性表，属于逻辑结构范畴，都是访问点受到限制，并且限制在线性表端点的线性表。 栈被限定为在线性表中的同一个（唯一一个的）端点插入删除 队列被限定为在线性表的一端插入，另外一个端点删除 栈和队列也可以用链表来实现，分别称为链栈和链队列 1. ArrayList ArrayList是基于数组实现的，最大长度不会超过数组的长度2147483647(最大值是int的最大值是,2的31次方减去1 ).如果业务中可能存在超过这个长度的数据,使用LinkedArrayList 3.HashMap Java中的HashMap是以键值对(key-value)的形式存储元素的。HashMap需要一个hash函数，它使用hashCode()和equals()方法来向集合/从集合添加和检索元素。当调用put()方法的时候，HashMap会计算key的hash值，然后把键值对存储在集合中合适的索引上。如果key已经存在了，value会被更新成新值。 HashMap的一些重要的特性是它的容量(capacity)，负载因子(load factor)和扩容极限(threshold resizing)。 4.HashMap和HashTable的区别

作者： 狐狸家的鱼 GitHub： surRimn 整理自 MDN 文档 带键的集合 映射 Map对象 一个 Map 对象在迭代时会根据对象中元素的插入顺序来进行 — 一个 for...of 循环在每次迭代后会返回一个形式为[key，value]的数组。 1、语法 new Map([iterable]) iterable 可以是一个数组或者其他 iterable 对象，其元素或为键值对，或为两个元素的数值。每个键值对都添加到新的 Map 。 null 会被当作 undefined 。 2、属性 Map.length ：属性 length 的值为0 get Map[@@species] ：构造函数用于创建派生对象 Map.prototype ：表示 Map 构造器的原型，允许添加属性从而用于所有的 Map 对象 3、键的相等 键的比较是基于 " SameValueZero " 算法： NaN 是与 NaN 相等的（虽然 NaN !== NaN ），剩下所有其它的值是根据 === 运算符的结果判断是否相等。+0 和-0是相同的值。 4、Object 和 Map的比较 Object 会被用于将字符串类型映射到数值。 Object 允许设置键值对、根据键获取值、删除键、检测某个键是否存在 Object 的键只能是 字符串 或者 Symbols ，在 Map 里键可以是任意类型，包括函数

在逆向工程，计算机视觉，文物数字化等领域中，由于点云的不完整，旋转错位，平移错位等，使得要得到的完整的点云就需要对局部点云进行配准，为了得到被测物体的完整数据模型，需要确定一个合适的坐标系，将从各个视角得到的点集合并到统一的坐标系下形成一个完整的点云，然后就可以方便进行可视化的操作，这就是点云数据的配准。点云的配准有手动配准依赖仪器的配准，和自动配准，点云的自动配准技术是通过一定的算法或者统计学规律利用计算机计算两块点云之间错位，从而达到两块点云自动配准的效果，其实质就是把不同的坐标系中测得到的数据点云进行坐标系的变换，以得到整体的数据模型，问题的关键是如何让得到坐标变换的参数R（旋转矩阵）和T（平移向量），使得两视角下测得的三维数据经坐标变换后的距离最小，，目前配准算法按照过程可以分为整体配准和局部配准，。PCL中有单独的配准模块，实现了配准相关的基础数据结构，和经典的配准算法如ICP。 PCL中实现配准算法以及相关的概念 两两配准的简介：一对点云数据集的配准问题是两两配准（pairwise registration 或 pair-wise registration）.通常通过应用一个估计得到的表示平移和选装的4*4缸体变换矩阵来使得一个点云的数据集精确的与另一个点云数据集（目标数据集）进行完美的配准 具体的实现步骤： （1）首先从两个数据集中按照同样的关键点选取的标准

集成学习(Ensemble Learning) 集成学习的思想是将若干个学习器(分类器&回归器)组合之后产生一个新学习器.弱分类器(weak learner)指那些分类准确率只稍微好于随机猜测的分类器(error rate < 0.5)； 集成算法的成功在于保证弱分类器的多样性(Diversity).而且集成不稳定的算法也能够得到一个比较明显的性能提升 常见的集成学习思想有: Bagging Boosting Stacking Why need Ensemble Learning? 1. 弱分类器间存在一定的差异性，这会导致分类的边界不同，也就是说可能存在错误。那么将多个弱分类器合并后，就可以得到更加合理的边界，减少整体的错误率，实现更好的效果； 2. 对于数据集过大或者过小，可以分别进行划分和有放回的操作产生不同的数据子集，然后使用数据子集训练不同的分类器，最终再合并成为一个大的分类器； 3. 如果数据的划分边界过于复杂，使用线性模型很难描述情况，那么可以训练多个模型，然后再进行模型的融合； 4. 对于多个异构的特征集的时候，很难进行融合，那么可以考虑每个数据集构建一个分类模型，然后将多个模型融合。 Bagging方法 Bagging方法又叫做自举汇聚法(Bootstrap Aggregating)，思想是：在原始数据集上通过有放回的抽样的方式

Apache Flink是一个面向分布式数据流处理和批量数据处理的开源计算平台，它能够基于同一个Flink运行时，提供支持流处理和批处理两种类型应用的功能。 现有的开源计算方案，会把流处理和批处理作为两种不同的应用类型，因为它们所提供的SLA（Service-Level-Aggreement）是完全不相同的：流处理一般需要支持低延迟、Exactly-once保证，而批处理需要支持高吞吐、高效处理。 Flink从另一个视角看待流处理和批处理，将二者统一起来：Flink是完全支持流处理，也就是说作为流处理看待时输入数据流是无界的； 批处理被作为一种特殊的流处理，只是它的输入数据流被定义为有界的 。 Flink流处理特性： 支持高吞吐、低延迟、高性能的流处理 支持带有事件时间的窗口（Window）操作 支持有状态计算的Exactly-once语义 支持高度灵活的窗口（Window）操作，支持基于time、count、session，以及data-driven的窗口操作 支持具有Backpressure功能的持续流模型 支持基于轻量级分布式快照（Snapshot）实现的容错 一个运行时同时支持Batch on Streaming处理和Streaming处理 Flink在JVM内部实现了自己的内存管理 支持迭代计算 支持程序自动优化：避免特定情况下Shuffle、排序等昂贵操作

Apache Flink是一个面向分布式数据流处理和批量数据处理的开源计算平台，它能够基于同一个Flink运行时，提供支持流处理和批处理两种类型应用的功能。 现有的开源计算方案，会把流处理和批处理作为两种不同的应用类型，因为它们所提供的SLA（Service-Level-Aggreement）是完全不相同的：流处理一般需要支持低延迟、Exactly-once保证，而批处理需要支持高吞吐、高效处理。 Flink从另一个视角看待流处理和批处理，将二者统一起来：Flink是完全支持流处理，也就是说作为流处理看待时输入数据流是无界的； 批处理被作为一种特殊的流处理，只是它的输入数据流被定义为有界的 。 Flink流处理特性： 支持高吞吐、低延迟、高性能的流处理 支持带有事件时间的窗口（Window）操作 支持有状态计算的Exactly-once语义 支持高度灵活的窗口（Window）操作，支持基于time、count、session，以及data-driven的窗口操作 支持具有Backpressure功能的持续流模型 支持基于轻量级分布式快照（Snapshot）实现的容错 一个运行时同时支持Batch on Streaming处理和Streaming处理 Flink在JVM内部实现了自己的内存管理 支持迭代计算 支持程序自动优化：避免特定情况下Shuffle、排序等昂贵操作