一个例子

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>zhizuo </title>

</head>
<body>
    <h2>操作成功</h2>
    <span id="time">5</span>
    <span>秒之后跳转到慕课网</span>
    <a href="#" id="back" title="返回慕课网">返回</a>  <!-- 方法一添加鼠标点击事件 -->
  <!--<a href="javascript:back()" id="back" title="返回慕课网">返回</a>  方法二-->
  <script type="text/javascript">
   var num=document.getElementById("time").innerHTML;   //要获取时间,得在秒数后面添加js代码,要不然num取不到值
  function dess(){                                         //num获取秒数
    num--;
    document.getElementById("time").innerHTML = num;      //秒数减少
    if(num==0){
     location.assign("http://www.imooc.com/");
    }
  }
  var i= setInterval("dess()",1000);
  var back =document.getElementById("back");   /*方法一添加鼠标点击事件*/
  back.onclick = function(){
    window.history.back();
  }
 /*function back(){      方法二添加js函数
  window.history.back();
 }*/
  </script>
</body>
</html>

我更习惯在代码里添加注释,这样日后再拿起来看就更方便。
要点一:
5 4 3 2 1 秒数的设置涉及到setInterval (function(){},毫秒数);函数,每过一秒就执行一个函数,这个函数让里面的数字减一,直到为0,这个函数就是dess();函数。
坑点:一开始我把写在了标签的上面,由于语句是按行读取的,在js中的var num=document.getElementById("time").innerHTML;
就取不到值,报错是

9999.html:7 Uncaught TypeError: Cannot read property ‘innerHTML’ of null

所以Js代码不是想写哪里就写哪里。
要点二:
在返回的那里我用了两种方法,一是不给herf,添加鼠标点击事件,二是给href添加一个函数javascript:back();实际上去掉javascript前缀也是一样,它只是一个标志。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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