网络模块封装axios

axios框架

最基本的axios使用,
axios({
url:’…’
}).then().catch()
axios返回的是一个promise对象,故在axios后面可调用.then接收请求回来的数据。
第二种则是
axios({
url:’’,
params:{
type:‘pop’,
page:1
}
}).then()
相当于在请求地址后面直接拼接www.xxx?tyep=pop&page=1
第三种则是
axios.all([
axios(),
axios()

]).then(s=>console.log(s[0],s[1]))
一次性请求多个,将返回的数据放到一个数组里面,数组【0】就是对应第一个axios请求

可以用axios.defaults.baseURL=’'输入相同的网址,这样就不会每次调用时输入一大串网址,
axios.defaults.tiemout=2000,则是规定请求的时间不超过2秒

创建axios实例,

第一步

const A=axios.create({
baseURL:’’,
timeour:2000
})

第二部拦截请求

请求拦截

A.interceptors.request.use(
config=>{return config}
err=>console.log(err)
)
请求拦截中,Config为请求成功的拦截,但需要返回去。否则不进行下一步

响应拦截

A.interceptors.response.use(
res=>{return res}
err=>log(err)
)
响应拦截跟请求拦截一样

第三步 发送真正的网络请求

A({
url:’/’
}).then()
发送后返回的也是一个promise对象,故可以用then来接收数据

封装axios

如果我们在很多个文件直接调用axios,然后直接请求,如果日后axios不更新了,你得换一个框架时,就会非常麻烦。倘若我们把他封装成一个自己的js文件,再用很多个文件去调用这个js文件,日后换框架,只需修改自己的js文件,因为其他文件在调用时只要直接输入url,就可以调用.then()接收,而不用在意怎么完成的,故我们应该学会封装axios
在request.js文件中
import axios from ‘axios’
export function request(config) {
1//创建实例对象

const axiosA = axios.create({
    baseURL: '',
    timeout: 5000
})

//2拦截请求

axiosA.interceptors.request.use(
        config => { console.log(config); return config },
        err => console.log(err)
    )
    //相应拦截
axiosA.interceptors.response.use(
    res => {
        console.log(res);
        return res
    },
    err => console.log(err)
)

//3发送真正的网络请求
return axiosA(config)

}

因为axioA(config)返回的就是一个promise对象,故返回axiosA(),就是将这个对象返回给调用request函数的人,在别的文件中只需
import request from ‘request.js’
request({url:’’}).then(res=>{})

就可以进行网络请求了

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

打赏作者

coderlin_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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