js手写红绿灯(带优化版)

<!DOCTYPE html>
<html lang="en">
	<head>
		<meta charset="UTF-8" />
		<meta name="viewport" content="width=device-width, initial-scale=1.0" />
		<title>Document</title>
		<style>
			.container {
				display: flex;
			}
			.light {
				width: 100px;
				height: 100px;
				background-color: red;
			}
		</style>
	</head>
	<body>
		<div class="container">
			<div class="light"></div>
		</div>
		<script>
			let light = document.querySelectorAll('.light')
			let status = [
				{ color: 'red', delay: 2000 },
				{ color: 'yellow', delay: 1000 },
				{ color: 'green', delay: 3000 }
			]
			function getInterval() {
				let index = 1
				let diff
				return function interval(delay) {
					let startTime = +new Date().getTime()
					setTimeout(() => {
						let endTime = new Date().getTime()
						// 实际 - 理论 = 该减去的时间差
						diff = endTime - startTime - delay
						console.log('diff', diff)
						light[0].style.backgroundColor = status[index].color
						interval(status[index].delay - diff)
						index++
						index === 3 ? (index = 0) : ''
					}, delay)
				}
			}

			getInterval()(status[0].delay)
		</script>
	</body>
</html>

在这里插入图片描述
主要功能:红灯2秒后转黄灯,黄灯1秒后转绿灯
1.用时间补偿法纠正定时器
2.用闭包避免污染全局变量

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
手写数字识别是机器学习中的一个常见问题,它的目的是通过图像识别技术来识别手写数字。优化算法在手写数字识别中起着非常重要的作用,因为它可以帮助我们提高识别准确率和速度。以下是一些常用的优化算法: 1. 梯度下降法(Gradient Descent):梯度下降法是一种常见的优化算法,它通过不断调整模型参数来最小化损失函数。在手写数字识别中,我们可以使用梯度下降法来调整模型中的权重和偏置,以最小化损失函数并提高识别准确率。 2. 随机梯度下降法(Stochastic Gradient Descent):随机梯度下降法是一种与梯度下降法类似的优化算法,但它每次只使用一个样本来计算梯度,并根据该梯度调整模型参数。这样可以提高训练速度,但可能会降低识别准确率。 3. 反向传播算法(Backpropagation):反向传播算法是一种常见的神经网络训练算法,它可以通过计算损失函数对每个权重的偏导数来调整模型参数。在手写数字识别中,我们可以使用反向传播算法来调整神经网络中的权重和偏置,以提高识别准确率。 4. AdaGrad算法:AdaGrad算法是一种自适应学习率的优化算法,它可以根据每个参数的历史梯度调整学习率,从而更好地适应不同的数据集和模型。在手写数字识别中,我们可以使用AdaGrad算法来调整模型参数,以提高识别准确率和速度。 5. Adam算法:Adam算法是一种常用的自适应优化算法,它可以根据每个参数的历史梯度和动量调整学习率,从而更好地适应不同的数据集和模型。在手写数字识别中,我们可以使用Adam算法来调整模型参数,以提高识别准确率和速度。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

Feng Wuqian

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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