js防抖与节流

要清楚防抖与节流的实现,首先要明白防抖与节流的概念是什么

1、防抖
防抖:当一个事件在一个连续时间内多次执行的时候,只有在最后一次事件触发大于规定时间(delay)的时候,才执行该事件。
实际举例:比如浏览器窗口大小更改的时候(onresize事件),我们需要执行一个函数,如果这个函数足够“卡顿”的话,那么频繁执行的话会感觉到明显的卡顿,比如:

	// 实现一个阻塞函数
	let sleep = (delay = 500) => {
		let t = Date.now();
		while(Date.now() - t <= delay) {
			continue;
		}
	};
	
	let func = () => {
		sleep();
		console.log("I am ready...");
	};
  	window.onresize = func;

将这段代码复制到控制台执行后并进行窗口大小的改变,我们可以明显的看出来界面上的卡顿(单线程的原理,具体原因后续再说)。如果频繁执行这种阻塞主线程的任务的话,很明显是不合理的。这个时候防抖就排上用场了

	// 实现一个阻塞函数
	let sleep = (delay = 500) => {
		let t = Date.now();
		while(Date.now() - t <= delay) {
			continue;
		}
	};
	
	let func = () => {
		sleep();
		console.log('I am ready...');
	};
	// fn是待执行的函数,delay是概念描述中的规定时间
	let debounce = (fn, delay = 200) => {
		let timer = null; // 定时器;也可以通过时间戳的方式实现,这里不做赘述
		return function() {
			clearTimeout(timer);
			timer = setTimeout(() => {
				fn(); // 直接执行,这里没做this指向的相关,主要理解的还是防抖的原理
				timer = null;
			}, 200);
		}
	};
  	window.onresize = debounce(func);

这次就能明显的看出来界面上面没有卡顿(是因为sleep等待dom渲染完成后的200ms才执行的)。并且同时可以看出来,func函数只执行了一次。

2、节流
节流:当一个事件在一个连续时间内多次执行的时候,在一个规定时间内,只有第一次触发事件的时候才会执行这个函数
实际举例:当我们提交一个表单的,点击提交按钮的时候,如果不做任何处理,也就是点击几次就执行几次,这个时候会向后台发送多次请求,很明显是不合理的。我们通过在页面上模拟下

	let func = () => {
		console.log('i exec');
	};
	document.onclick = func;

当我们快速连续点击的时候,点击几次就执行几次。如果这个console是网络请求的话,很明显会发送多个网络请求。

	let func = () => {
		console.log('i exec');
	};
	let throttle = (fn, wait = 1000) => {
		let timer = null;
		let flag = false; // 标记是否首次执行
		return function() {
			if(flag === false) { // 如果不需要首次立刻执行的话,这段代码可以删掉
				flag = true;
				fn(); // 首次立马执行,不需要等待延迟
				return;
			}
			if(timer === null) {
				timer = setTimeout(() => {
					fn();
					timer = null;
				}, wait);
			}
		}
	};
	document.onclick = throttle(func);

可以发现,事件执行1秒内最多只会执行一次;

以上就是有关节流和防抖的相关内容,代码都可以直接复制到浏览器的控制台进行执行,可以直接观察到结果~

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