前端知识大汇总

简介

留下一点知识总结,希望能给学习者一点帮助,可以当成面试题看,但是最好是学进脑子里。

网络

  1. 跨域问题
    浏览器的同源策略导致了跨域,用于隔离潜在恶意文件的重要安全机制
    (1)jsonp ,允许 script 加载第三方资源
    (2)在代理服务器或者后端服务设置请求字段标识,Access-Control-Allow-Origin,事实上就是放行特定的origin字段

  2. jsonp
    由于浏览器script标签天生就可以跨域,所以我们可以通过动态设置该标签实现跨域效果,但是也只能拿到个回调函数,其中裹挟json数据

  3. http协议
    http协议是基于tcp协议的一种请求响应协议,一个报文主要由请求行、请求头部、空行和请求数据组成,通过调试工具F12我们也可以看到到具体报文的结果。
    请求方法有多种,get,post是最常见的,其他的没记住。
    还有一些和这个协议有关的,比如状态码(1XX-5XX),缓存规则等。
    又由于是基于tcp协议的,请求难免经过三次握手与四次握手,还要遇到拥塞控制,快启动等操作。
    另外提一下,http1.1提供了持续性的链接,有效降低握手消耗,提起来,还有H5的一个websocket特性,它就是一种持续性的连接。

  4. url到解析
    首先,url通过dns服务器变成了ip地址,接着,就是tcp连接了,三次握手。这里提一下,请求来的数据从A到B也经历了一个过程,主要是路由协议OSPF、RIP等协议不断查询下一跳,找到目标,还要通过NAT协议把把ip转成内网ip,这还没完,还要有个ARP协议查找MAC地址的过程。这数据菜成功从A回到了B。拿到数据后,浏览器解析数据,先构建DOM树,然后解析相关的CSS,再与DOM树结合,构成渲染树,然后通过内核渲染成我们看到的页面,js代码会在不同阶段执行,这个取决于编写者。

  5. 浏览器渲染的细节
    呈上url解析,浏览器渲染还有个重绘和回流的过程。当几何布局,DOM树等变化后,会回流。当不影响布局的改变发生时,只会重绘。

  6. Get和Post区别
    get 不安全,post相对安全,但是在抓包的情况下差不多
    get会留有缓存和历史记录,post不会
    post可以传更大的东西

  7. http和https,后者多了ssl证书,更加安全
    https专有的握手(秘钥的传递与使用)

JS

  1. js事件的了解
    由于频繁的IO操作以及浏览器各种特性,js被设计成单线程语言,所以js在事件上有特别的处理方式。主要是事件队列,js通过事件队列有序处理事件,其中由涉及到了事件循环,js会把不同事件分类,主要有同步事件和异步事件,异步事件又会划分为微任务和宏任务(有微则微,无微才宏)。因此,js常常有个概念叫做回调函数。

  2. js闭包,事件冒泡,调用等
    js闭包就是函数内部引用到外部的数据,就会产生闭包,闭包的特点在于有自己的作用域,有自己特有的数据备份。就比如说vue吧,他那个data会用函数返回的方式生成自己的数据,本质上就是用到了闭包。

  3. 冒泡,捕获,委托
    call,bind,apply,用于重定向this,bind返回的是一个函数

  4. JS 垃圾回收机制
    简单提一下,主要有标记法和引用计数法,标记是给每个变量设置一个标识,当变量退环境时,浏览器会按时处理掉,引用是当某个空间没有任何引用时,会清空

  5. 手写防抖和节流
    防抖:一定时间间隔内连续进行的事件都只算一次,有两种情况,要么触发第一次,要么触发最后的节流:一定时间内只算一次事件,可以依赖时间戳实现,或者定时器

  6. 手写ajax

  7. this指向调用者,或者说,逻辑上下文,当然,IE浏览器似乎比较特殊

前端优化

  1. 减少http请求(雪碧图,缓存,CDN委托,压缩)
  2. 缓存的分类:方式:强缓存和协商缓存,具体种类:cookie(短暂+前端+交互+小),session(
    短暂+后台),localstorage(本地+长期),sessionstorage(本地+短期)
  3. 减少Dom操作,防止回流
  4. 防抖节流,事件委托,减少js量,转为css代码
  5. 设计模式的应用:观察者模式(一个实例变化,多个对象被通知),单例模式
  6. 按需要加载代码

未完待续。。。

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