axios

axios


axios的安装

npm install axios --save

使用

axios({
  url: 'http://www.blogry.cn/test/index',
  methods: 'post'
}).then(result => {
  console.log(result);
})

all 方法

axios.all([
  axios({
    url: 'http://www.blogry.cn/test/index',
    methods: 'post'
  }),
  axios({
    url: 'http://www.blogry.cn/test/blog',
    params: {
      title : '我的编程经历'
    },
    methods: 'post'
  }),
]).then(result => {
  console.log(result[1].data[0].title);
})

全局配置

// 全局配置超时时间
axios.defaults.timeout = 5000

axios.all([
  axios({
    url: 'http://www.blogry.cn/test/index',
    methods: 'post'
  }),
  axios({
    url: 'http://www.blogry.cn/test/blog',
    params: {
      title : '我的编程经历'
    },
    methods: 'post'
  }),
]).then(result => {
  console.log(result[1].data[0].title);
})

常见的配置选项

请求地址
url: "/user',
请求类型
method: 'get',
请求根路径
baseURL: 'http://www.mt.com/api',
请求前的数据处理
transformRequest:[function(data){}],
请求后的数据处理
transformResponse: [function(data){}].
自定义的请求头
headers:{'x-Requested-With: XMLHttpRequest'),
参数
params:{ id: 12 },

查询对象序列化函数
paramsSerializer: function(params){ }request body
data: { key: 'aa'},
超时设置
timeout: 1000,
跨域是否带Token
withCredentials: false,
自定义请求处理
adapter: function(resolve, reject, config)0.身份验证信息
auth: { uname: ", pwd: '12],
响应的数据格式json / blob /document /arraybuffer / text/ stream
responseType: 'json',

实例

  • 当我们服务器不止一个 ip 地址不同时 , 我们可以通过创建实例的方式来进行不同的请求操作
  • 通过 axios.create({}) 创建实例

    const instance1 = axios.create({
      baseURL: 'http://www.blogry.cn',
      timeout: 5000
    })
    
    const instance2 = axios.create({
      baseURL: 'http://www.hahha.cn',
      timeout: 5000
    })
    
    
  • 使用实例

    axios.all([
      instance1({
        url: '/test/index'
      }),
      instance1({
        url: '/test/blog',
        params: {
          title: '我的编程经历'
        }
      }),
    ]).then(result => {
      console.log(result[1].data[0].title);
      console.log(result);
    })
    

封装 axios

  • 我们最好将发送请求的操作封装起来 , 统一进行操作
  • 封装 axios

    我们创建一个文件夹 network 在其中创建一个 reqeust 文件
    /* reqeust文件 */
    import axios from 'axios'
    
    export function request(config){ /* 传入一个 config */
    
      /* 返回一个Promise*/
      return new Promise((resolve, reject) => {
    
        //创建实例
        const instance1 = axios.create({
          baseURL: 'http://www.blogry.cn/',
          timeout: 5000
        })
    
        instance1(config) /* 传入一个 config */
          .then(result => {
            resolve(result)	/*回调 then */
          })
          .catch(error => {
            reject(error) /*回调 catch */
        });
    
      })
    
    }
    
    使用
    // 依赖request文件 , 因为不是default 导出 , 需要加 {}
    import {request} from './network/request'
    
    request({ /* config */
      url: '/test/blosg',
      params: {
        title: '我的编程经历'
      }
    }).then(result => { /*回调函数 then*/
      console.log(result)
    }).catch(error => { /*回调函数 catch*/
      console.log(error)
    })
    
  • 我们可以直接返回 instance 因为 instance 本身返回的就是一个 Promise
    import axios from 'axios'
    
    export function request(config){
    
        //创建实例
        const instance1 = axios.create({
          baseURL: 'http://www.blogry.cn/',
          timeout: 5000
        })
    
        return instance1(config) /*这里直接返回*/
    
    }
    
    import {request} from './network/request'
    
    request({ /* 这里相当于 整个request({}) 就是一个Promise 可以直接回调 then 和 catch*/
      url: '/test/blog',
      params: {
        title: '我的编程经历'
      }
    }).then(result => {
      console.log(result)
    }).catch(error => {
      console.log(error)
    })
    
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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