03.jQuery 第三天笔记

03.jQuery 第三天笔记

一、思维导图

  1. jQuery事件方法
    绑定事件:on
    1)同时绑定多个事件
    设置不同的事件处理函数
    jQuery对象.on({
    事件名1:事件处理函数1,
    事件名2:事件处理函数2,
    事件名3:事件处理函数3
    })
    设置相同的事件处理函数
    jQuery对象.on( 事件名字符串 , 事件处理程序 )
    jQuery对象.on(“click mouseleave”,function(){
    alert(1)
    })
    2)事件委托
    上层元素.on( 事件名 , 下层元素选择器 , 事件处理程序)
    注意
    1、事件是绑定到了上层元素上,由下层元素触发
    2、可以为动态创建的元素(未来元素)预定事件
    3、在事件处理程序中,this指向触发事件的下层元素
    解绑事件:off
    解绑所有事件
    jQuery对象.off()
    解绑指定类型事件
    jQuery对象.off(事件类型名)
    jQuery对象.off(“click”)
    解绑委托事件(本身的事件还在)
    jQuery对象.off(事件类型名,选择器)
    $(“ul”).off(“click”,“li”)
    jQuery对象.off(事件类型名,"**")
    解绑所有委托事件
    触发事件
    jQuery对象.事件名()
    会触发浏览器默认行为
    jQuery对象.trigger(事件类型)
    会触发浏览器默认行为
    jQuery对象.triggerHandler(事件类型)
    (最常用)
    不能触发浏览器的默认行为,只能让事件处理程序执行

二、理解

  1. one()只能触发事件一次
  2. 要解绑所有委托事件jQuery对象.off(事件类型名,"**")
  3. 自动触发事件
    4) $(“div”).click();
    5) $(“div”).trigger(“click”);
    6) $(“div”).triggerHandler(“click”);

案例

今天的重点是 todolist 案例

  1. 本地存储数据格式:
    在这里插入图片描述

  2. 1)本地存储里面只能存储字符串的数据格式 把我们的数组对象转换为字符串格式 JSON.stringify()

    2)获取本地存储的数据 我们需要把里面的字符串数据转换为 对象格式 JSON.parse()

  3. 存: 对象———> JSON.stringify()———>字符串———>存储到localStorge
    取: 从localStorge获取———>字符串———>JSON.parse———>对象

  4. 原理
    在这里插入图片描述

  5. 步骤:
    1>先获取本地数据
    2>修改数据
    3>存储到本地
    4>重新渲染页面

  6. 自定义属性 attr 固有属性 prop

三、todolist案例js代码示例

1、
第一步 按下回车,把完整数据存储到本地存储里面
2、
本地存储渲染加载到页面
3、
删除操作
4、
正在进行和已完成选项的操作
5、
双击显示输入框修改任务内容
6、
输入框失去焦点,修改数据并存储
接6图

总结:

独立完成todolist案例

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 1
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