第2章 HTML中使用JavaScript

javascript 包含:

  • 1.ECMAScript 提供核心语言功能
  • 2.文档对象模型DOM 提供访问和操作网页内容的方法和接口
  • 3.浏览器对象模型DOM 提供与浏览器交互的方法和接口

<script>属性:

  • async 可选。立即加载,只对外部文件有效,多个存在时不保证先后顺序执行,一定会在load事件前执行,可能会在DOMContentLoad之前或之后执行。属性无需等号,XHTML中async =“async”
  • defer 可选。延迟加载,只对外部文件有效,HTML5规范要求按照先后执行,但是现实不一定,所以建议只写一个并且写在最后。
  • charset 可选。大多数浏览器会忽略这个值,所以很少人用
  • src 可选。要加载外部文件的路径,如果填写后内部还写js脚本,内部脚本会被忽略。
  • type 必选。内容类型(MIME)默认text/javascript,非IE浏览器中还可以使用application/javascript

XHTML(可扩展超文本标记语言)用法:

错误示例
function compare(a,b){
//在XHTML中 a < b的 < 号会被解析成标签 后面又有个空格,所以会导致报错
	if(a < b){ 
		alert("a is less than b")
	}else if(a > b){
		alert("a is greater than b")
	}else{
		alert("a is equal to b")
	}
}
正确方式
function compare(a,b){
//在XHTML中 a < b的 < 号改成html相应的实体
	if(a &lt; b){ 
		alert("a is less than b")
	}else if(a > b){
		alert("a is greater than b")
	}else{
		alert("a is equal to b")
	}
}
正确方式 外面套一圈CDATA
<! [CDATA[
function compare(a,b){
//在XHTML中 a < b的 < 号改成html相应的实体
	if(a < b){ 
		alert("a is less than b")
	}else if(a > b){
		alert("a is greater than b")
	}else{
		alert("a is equal to b")
	}
}
]]>
正确方式 由于有些浏览器不兼容XHTML,所以可以再注释掉(注释hack)

// <! [CDATA[
function compare(a,b){
//在XHTML中 a < b的 < 号改成html相应的实体
	if(a < b){ 
		alert("a is less than b")
	}else if(a > b){
		alert("a is greater than b")
	}else{
		alert("a is equal to b")
	}
}
// ]]>

优化:
尽可能使用外部文件,
优点:
1.可维护性:存在一个文件夹可以专注写js。
2.可缓存:因为浏览器可以缓存相同外部文件,不同页面加载同一文件只需要加载一次,最终结果能够加快页面加载速度。
3.适应未来,外部文件无需使用前面提到的XHTML或注释hack

文档模式

1.混杂模式(不建议)
2.标准模式
3.准标准模式

浏览器默认混杂模式

<noscript>
浏览器不支持javascript时显示里面的内容,能够显示html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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:判断图像的目标属于哪个类别。 定位问题:确定目标在图像的具体位置。 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
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:判断图像的目标属于哪个类别。 定位问题:确定目标在图像的具体位置。 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