最近关于一些js问题的解答附上代码

这是题目:https://github.com/iszu/web-learning/blob/master/JavaScript%E7%BB%83%E4%B9%A0%E9%A2%98.md#1-计算两个日期的天数差

1. 计算两个日期的天数差

function datedifference(sDate1, sDate2){    //sDate1和sDate2是2006-12-18格式

       var dateSpan,

          iDays;

 

       sDate1 = Date.parse(sDate1);//parse() 方法可解析一个日期时间字符串,并返回 1970/1/1 午夜距离该日期时间的毫秒数。

       sDate2 = Date.parse(sDate2);

       dateSpan = sDate2 - sDate1;

       dateSpan = Math.abs(dateSpan);

       iDays = Math.floor(dateSpan / (24 * 3600 * 1000));//将毫秒数转变成天数

       return iDays

};                                                                   alert( datedifference(new Date(2016, 2, 7), new Date(2016, 4, 12)))  ;

alert(datedifference(new Date(2016, 4, 12),new Date(2016, 2, 7))) ;

2. 计算两个日期的天数差 - 高级版

        function datedifference(sDate1, sDate2){    //sDate1和sDate2是2006-12-18格式

        var dateSpan,

           iDays;                                                                                                                                                     

       sDate1 = Date.parse(sDate1);

       sDate2 = Date.parse(sDate2);

       dateSpan = Math.abs(sDate2 - sDate1);

       iDays = dateSpan / (24 * 3600 * 1000);

       return iDays

};                                                                   alert( datedifference('2016-02-07', '2016-04-12'))  ;

alert(datedifference('2016-04-12','2016-02-07')) ;

3.计算数组中元素重复次数

function countRepeat (arr){

  arr = arr.sort();

  var newArr = [];

   if(arr.length > 0){

      for(let i = 0; i < arr.length; i++){

        var temp = arr[i];

        var count=0;

         for(let j = 0;j < arr.length ; j++){

           if(arr[j] == temp){

              count++;

               }

          }

       newArr.push(`\n\'${temp}\':${count}`)

      }

    }

   return newArr;

}

//上面得到arrs.lengrh个的数组需要把相同的元素去掉

var

    r,

   arrs = [2, 9, 8, 4, 5, 3, 4, 8, 9, 9, 1, 0, 2, 1],

   cutrepaet = countRepeat(arrs);

//alert(countRepeat(arrs))  ;

r = cutrepaet.filter(function (element,index, self) {

   return self.indexOf(element) === index;

});//用filter函数去掉相同的数组元素

alert(r);

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