Node.js异步编程

什么是异步编程?
         一般情况下代码是由上至下一次执行的,如果当网络不佳或其他状况发生,会导致代码堵塞的情况。而异步编程可以很好的解决这个问题,简单来说异步编程就是程序无须按照代码顺序自上而下的执行,可以同时执行多个程序。

以下是异步编程:在这里插入图片描述
当同步API和异步API同时存在时,异步编程后执行

异步编程的几种方法

-方法一 回调函数
Node.js 异步编程的直接体现就是回调。
回调函数在完成任务后就会被调用,Node 使用了大量的回调函数,Node 所有 API 都支持回调函数。

// getData函数定义
function getData (callback) {}
// getData函数调用
getData (() => {});

使用回调函数查询三个文件案例代码:

let fs = require('fs');
fs.readFile('./a.txt', (err, data) => {
    if(err){
      console.log('readFile.error:', err);
    }else{
        fs.readFile('./b.txt', (err1, data1) => {
        if(err1){
             console.log('readFile.error:', err1);                                                     
    	}else{                                                                             
       	     return data + data1;
                                          
           }
       })
    }
})

使用回调函数会出现回调地狱的情况,可以使用方法二解决

  • 方法二 Promise
    Promise可以是解决回调地狱的问题。

使用Promise读取三个txt文件案例:

const fs = require('fs')
const path = require('path')
let a_path = path.join(__dirname, 'file', 'a.txt')
let b_path = path.join(__dirname, 'file', 'b.txt')
let c_path = path.join(__dirname, 'file', 'c.txt')
function readFile(path) {
    return new Promise((resolve, reject) => {
          fs.readFile(path, 'utf8', (err, data) => {
               resolve(data)
          })
    })
}
let p1 = readFile(a_path)
p1.then(data => {
    console.log(data)
        return readFile(b_path)
        }).then(data => {
            console.log(data)
            return readFile(c_path)
        }).then(data => {
            console.log(data)
        })
  • 1
    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