JavaScript 匿名函数和闭包函数

匿名函数和闭包
  • 匿名函数:与具名函数相对应,没有函数名称
    • 匿名函数自执行,非自执行、或赋值情况下会报错
    • 创建了一个匿名的函数,并立即执行它,由于外部无法引用它内部的变量,因此在执行完后很快就会被释放,这种机制不会污染全局对象。
      function() {
      	return 'a';
      }
      // Uncaught SyntaxError: Function statements require a function name
      ~~
      
    • 匿名函数赋值给变量
      var a = function(){
      	return 'a';
      }~~
      
    • 函数里的匿名函数,可产生闭包
  • 闭包
    • 闭包是指有权访问另一个函数作用域中的变量的函数(在一个函数内部创建一个函数并返回,通过另一个函数访问这个函数的局部变量)
    • 优点即缺点:可把局部变量保存在内存中,避免使用全局变量(全局变量的污染导师应用程序的不可预测性,每个模块都可调用必将引来灾难,所以推荐使用私有的,封装的局部变量)
    • 一点就是闭包的活动对象没有被销毁;第二点是作用域链的关键是他要遇到var 声明
    • 如果这个函数内部又嵌套了另一个函数,而这个函数是有可能在外部被调用到的.并且这个内部函数又使用了外部函数的某些变量的话.这种内存回收机制就会出现问题。如果在外部函数返回后,又直接调用了内部函数,那么内部函数就无法读取到他所需要的外部函数中变量的值了.所以js解释器在遇到函数定义的时候,会自动把函数和他可能使用的变量(包括本地变量和父级和祖先级函数的变量(自由变量))一起保存起来.也就是构建一个闭包,这些变量将不会被内存回收器所回收,只有当内部的函数不可能被调用以后(例如被删除了,或者没有了指针),才会销毁这个闭包,而没有任何一个闭包引用的变量才会被下一次内存回收启动时所回收。
      var  num = 0;
      function a () {
      	num++;
      }
      a(); // num = 1
      a(); // num = 2
      alert(num); // 2
      ------------------------------------------------------------------
      function a() {
      	var num = 0;
      	num++;
      	return num;
      }
      a(); // 1
      a(); // 1
      ------------------------------------------------------------------
      function a() {
      	var num = 0; //如果用let声明,不影响效果,const则不成立,无法修改值
      	return function () {
      		num++;
      		return num; //注意要有返回值
      	}
      }
      a()(); // 1	
      a()(); // 1
      var res1 = a(); //赋值之后多次调用可实现累加
      res1(); //1
      res1(); //2
      var res2 = a(); //不同变量之间存储不共享对象
      res2(); //1
      res2(); //2
      
  • 自执行函数和闭包的使用
    function createFunc () {
    	var res = new Array();
    	for(var i = 0; i < 10; i++){
    		res[i] = function() {
    			return i;
    		}
    	}
    	return res;
    }
    var aa = createFunnc();
    alert(aa[0] ()); //10
    alert(aa[9] ()); //10
    // 将闭包直接赋值给数组。表面上 每个函数都应该返回自己的索引。
    // 每个函数作用域链中都保存createFunc()函数的活动对象,他们引用的都是同一个变量i
    //解决:
    //1.采用匿名函数自执行强制让闭包的行为符合预期
    function createFunc2 () {
    	var res = new Array();
    	for(var i = 0; i < 10; i++){
    		res[i] = function(num) {
    			return function() {
    				return num;
    			}
    		}(i);
    	}
    	return res;
    }
    var aa2= createFunc2();
    alert(aa2[0] ()); //0
    alert(aa2[9] ()); //9
    // 没有直接将闭包赋值给数组,而定义一个匿名函数的结果赋值给数组。
    //对于立即执行的匿名函数来说,由于外部无法引用他内部的变量,因此在执行完后很快就会被释放。
    //所以这里的匿名函数有一个参数num,也就是函数最终要返回的值。
    //在调用每个匿名函数时,传入变量i,由于函数是按值传递的,所以会将变量i的当前值赋值给参数num,
    //而这个匿名函数内部,又创建并返回了一个返回num的闭包。
    //这样,result数组中的每个函数都有自己num的一个副本,就可以返回各自不同的数值
    
    //2.采用let解决
    function createFunc3 () {
    	var res = new Array();
    	for(let i = 0; i < 10; i++){
    		res[i] = function() {
    			return i;
    		}	
    	}
    	return res;
    }
    var aa3= createFunc3();
    alert(aa3[0] ()); //0
    alert(aa3[9] ()); //9
    
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