(转)jQuery设计思想

jQuery设计思想 write less,do more
英文:api.jquery.com
中文:www.css88.com/jqapi-1.7/

优势:使用jquery不需要做兼容,而且使用方便。

1.选择网页元素

//css选择器:
$(document) //-选择整个文档对象
//jquery特有的表达式:
$('tr:odd') //-选择表格的奇数行
$('div:visible') //-选择可见的div元素

2.方法函数化

$()=window.onload
html()=innerHTML
click()=onclick

3.原生与JQ可以共存,但不能混用

$('#div1'.innerHTML) //-不执行

4.改变结果集

//强大的过滤器:
has()/not()/filter('.myclass') //-选择class等于myclass的元素
//相邻元素查找:
next()/parent()/children()

5.链式操作

 find()/eq()/end()

6.取值与赋值合体

.html() //无参数为取值,有参数为赋值
.attr() //获取/设置值,取值是一组中的第一个元素,赋值是所有的元素。

7.元素移形换位(改变页面原先结构顺序)
直接移动该元素(把div元素移动到p元素后面):

$('div').insertAfter($('p')); 
$('div').appendTo($('p'));

移动其他元素(把p元素加到div元素前面):

$('p').after($('div'));  
$('div').append($('p'));

区别:操作的元素不同。
8.强大的创建

$('#yl1').append('<li>aaaa</li>');
var oLi = $('<li>')
clone();

9.工具方法(写了两份)

//构造函数上的方法(静态方法)
$.each([],function(){});
$.trim($('div').attr('class'));//去掉class的前后空格
$.each = function(){}//源性上的方法
$('div').each(function(){});

//$.方法为工具方法,原生的JS也可以用
var aLi = document.getElementsByTagName('li');
$.each(aLi,function(index,elements){element.innerHTML = index;});
$.prototype.each = function(){};

10.事件操作

//独立操作
click()/mouseover()
//通用事件
blind()/one()/unblind()/e:event/pageX
//阻止默认与冒泡
return false;/triggrt(),/toggle()
//循环执行
$('input').toggle(function(){},function());

11.运动特效

//常见效果:
fadeIn()//-淡入
fadeOut()//-淡出
slideDown()//-向下展开
slideUp()//-向上卷起
//复杂效果:
animate()/stop()//只执行一次,阻止前面的运动效果,只执行当前的运动效果。

12.插件机制
在JQ的源码上进行扩展,使用闭包形式,使所有变量是局部,作为工具函数,$.fn:扩展插件的方法。

(function(){
    $.fn.myname = function(){
        //代码
        //this是调用此方法/插件的元素
        //防止作用域问题,最好这样
        var This = this;
        //调用时:$(This).
    }
})(jQuery); //传jQuery,接受$,调用时使用

//插件调用:
$('#div1').muname();

13.其他JQ官方提供的功能效果和UI样式:UI组件jQuery-moblie

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。
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