一文了解 8 种常见的数据结构

map() 函数的第一个参数是一个函数，第二个参数是一个可迭代对象。这第一个参数会迭代地调用第二个参数中的元素，调用的结果以迭代器的形式返回。

这个例子使用了 list()，是为了方便一次性取出迭代器中的元素，直观地展示出来，在实际使用中，很可能会是基于迭代器的形式。

由这几种用法，我们可以总结出 lambda 函数的使用规律：

• 它出现在需要使用函数的地方
• 它适合实现简单的功能
• 它是一次性的用途，不能在其它地方复用
• 它一般不会被独立使用，总是作为其它函数的一部分

2. lambda 有什么问题?

由上面的用法可以看出，使用 lambda 函数的代码比较紧凑简洁，所以有人称它体现了“Pythonic”的优雅思想。

但是，lambda 函数有没有什么缺陷呢?

有!当前的 lambda 函数有一个最大的问题，即只支持单行表达式，无法实现丰富的功能，例如无法在函数创建时使用语句(statement)，无法使用 if-else 的判断条件，也无法使用 try-except 的异常捕获机制，等等。

这极大地限制了它的能力，导致了它被人诟病为“残疾的”。

从技术实现的角度上看， 这个问题可以通过语法层面的设计来解决。

在当年的邮件组讨论中，有人提出过一些解决思路，比如这封邮件：
 

ambda 这一个由其他开发者贡献进来的特性(借鉴自 lisp 语言)，存在了十多年，但是却被这门语言的创造者(兼首席设计师)所嫌弃，最后竟然还奇迹般地幸存了下来，对于这个故事，大家是否觉得挺有戏剧性的?

接下来，本文就仔细聊一聊这个处境尴尬却生命力顽强的 lambda 匿名函数吧!

1. lambda 怎么使用?

lambda 函数通常的用法是结合 map()、reduce()、filter()、sorted() 等函数一起使用，这些函数的共性是：都可以接收其它函数作为参数。

例如下面的几个例子：
 

最后，关于实施的几点说明：

• 希望正锚和负锚的数量在小批处理中能够平衡。
• 因为想尽量减少损失而使用了多任务损失，这是有意义的——损失有错误预测前景或背景的错误，以及方框的准确性的错误。
• 使用预先训练好的模型中的权值来初始化卷积层。

6. 如何使用区域建议网络

• 所有锚(20000)计入后得到新的边界框和成为所有边界框的前景(即成为对象)的概率。
• 使用non-maximum抑制。
• 建议选择：最后,仅保留按分数排序的前N个建议(当N=2000，回到2000个区域建议)。

像之前的方法一样，最终获得了2000个方案。尽管看起来更复杂，这个预测步骤比以前的方法更快更准确。

下一步是使用RPN代替选择性搜索，创建一个与Fast R-CNN相似的模型(即RoI pooling和一个分类器+bbox回归器)。然而，不像之前那样，把这2000个建议进行裁剪，然后通过一个预先训练好的基础网络进行传递。而是重用现有的卷积特征图。实际上，使用RPN作为提案生成器的一个好处是在RPN和主检测器网络之间共享权值和CNN。

• 使用预先训练好的网络对RPN进行训练，然后进行微调。
• 使用预先训练好的网络对检测器网络进行训练，然后进行微调。使用来自RPN的建议区域。
• 使用来自第二个模型的权重对RPN进行初始化，然后进行微调——这将是最终的RPN模型)。
• 最后，对检测器网络进行微调(RPN权值固定)。CNN的特色图将在两个网络之间共享，请参见下图。

（编辑：阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!