React 组件生命周期

React 组件生命周期分为四个阶段初始化、运行中、销毁、错误处理(16.3之后)

注意: 生命周期钩子函数不允许写成箭头函数

初始化:

  • constructor()

      * 初始化属性 , 定义状态 和 为事件处理函数绑定实例
      * 初始化属性: 将父组件绑定在子组件身上的属性获取到 , 然后 通过super继承给子组件 的 porps属性上
      * 定义状态 : this.state={}
    
  • static getDerivedStateFromProps() 17.xx版本使用

  • componentWillMount()/UNSAFE_componentWillMount()15.x版本的

      * 组件即将挂载之前调用,能拿到数据,进行数据的同步修改
      * 不能获取真实DOM
      * 可以进行数据请求和数据修改
      * 17.x后被废弃
      * setState可以在此钩子中使用,但不推荐
    
  • render()

    • 将jsx语法 ==> 虚拟Dom(vDom)
    • 状态和属性发生改变会调用
  • componentDidMount()

    • 组件挂载完成后调用,能拿到数据 和 真实Dom
    • 建议在这进行数据请求 和 数据修改
    • 第三方库的实例化

运行中 :

  • componentWillReceiveProps ( nextProps )

      *  当 Props 改变时触发
      * nextProps 是改变后的值   this.props.xxx 是改变前的值
      * 检测项目中的触发 React路由监听
      * 之后执行 shouldConponentUpdate()  
    
  • shouldComponentUpdate()

      * 判断组件是否更新,默认 return true
      * 当 组件中的状态state 改变时直接 触发
      * 组件中的属性 Props改变是间接触发
    
  • conponentWillUpdate()

      * 组件即将更新,为更新做准备 ,类似于 Vue 中的 BeforeUpdate()
      * 能获取更新前的数据,更新后的真实Dom 
      * 在此钩子中使用 setState() 会造成死循环
      * 之后在执行 render() 钩子
    
  • conponentDidUpdate( prevProps, prevState,snapshot )

     * 组件更新你后触发
     * 可以拿到更新后的数据和 真实Dom
     * 操作动态数据请求 ,实例化第三方库,不过写在此有缺点,会重复实例化。
     * 接受三个参数 第一个参数prevProps是更新之前的props,第二个参数prevState是 更新之前的 state 
     * 如果你用了调用了getSnaSnapshSnapshotBeforeUpdate(),第三个参数是 该钩子函数的返回值,
    
                 如果没有调用默认是undefine
    
  • getSnapshotBeforeUpdate()

      * 在最近一次渲染输出(提交到 DOM 节点)之前调用
      * 此生命周期的任何返回值将作为参数传递给 conponentDidUpdate()s
    

销毁:

  • conponentWillUnMount()

      * 销毁时触发,做善后处理,如定时器的销毁
    

错误处理 :

  • componentDidCatch(error,info)

      * error 是抛出的错误   info是  带有 componentStack key 的对象
    

React16.x版本
在这里插入图片描述

React 17.x版本
在这里插入图片描述

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