html5 离线存储 地理信息与本地存储

搭建离线应用程序
  ①服务器设置头信息 :
    AddType text/cache-manifest .manifest
  ② html标签加 :
    manifest=“xxxxx.manifest”
  ③写manifest文件 : 离线的清单列表
    先写 : CACHE MANIFEST
  FALLBACK : 第一个网络地址没获取到,就走第二个缓存的
  NETWORK :无论缓存中存在与否,均从网络获取


web Workers
  Worker运行环境
    navgator : appName、appVersion、userAgent、platform
    location : 所有属性都是只读的
  self : 指向全局 worker 对象
    所有的ECMA对象,Object、Array、Date等
  XMLHttpRequest构造器
    setTimeout和setInterval方法
  close()方法,立刻停止worker运行
    importScripts方法

  内容编辑
    contenteditable = "true"
  语言输入
    <input type="text" x-webkit-speech/>

地理位置对象

navigator.geolocation
  单次定位请求 :getCurrentPosition(请求成功,请求失败,数据收集方式)
  请求成功函数
    经度 : coords.longitude
    纬度 : coords.latitude
    准确度 : coords.accuracy
    海拔 : coords.altitude
    海拔准确度 : coords.altitudeAcuracy
    行进方向 : coords.heading
    地面速度 : coords.speed
    时间戳 : new Date(position.timestamp)

  请求失败函数
    失败编号 :code
      0 : 不包括其他错误编号中的错误
      1 : 用户拒绝浏览器获取位置信息
      2 : 尝试获取用户信息,但失败了
      3 : 设置了timeout值,获取位置超时了
    数据收集 : json的形式
      enableHighAcuracy : 更精确的查找,默认false
      timeout : 获取位置允许最长时间,默认infinity
      maximumAge : 位置可以缓存的最大时间,默认0

    多次定位请求 : watchPosition(像setInterval)
      移动设备有用,位置改变才会触发
      配置参数:frequency 更新的频率

    关闭更新请求 : clearWatch(像clearInterval)

本地存储:
    Cookie
      数据存储到计算机中,通过浏览器控制添加与删除数据
    Cookie的特点
  存储限制
    域名100个cookie,每组值大小4KB
    客户端、服务器端,都会请求服务器(头信息)
  页面间的cookie是共享
  Storage
    sessionStorage
      session临时回话,从页面打开到页面关闭的时间段窗口的临时存储,页面关闭,本地存储消失
    localStorage
      永久存储(可以手动删除数据)
    Storage的特点
      存储量限制 ( 5M )
    客户端完成,不会请求服务器处理
      sessionStorage数据是不共享、 localStorage共享

  Storage API
    setItem():
      设置数据,key\value类型,类型都是字符串可以用获取属性的形式操作
    getItem():
      获取数据,通过key来获取到相应的value
    removeItem():
      删除数据,通过key来删除相应的value
    clear():
      删除全部存储的值

  存储事件:
    当数据有修改或删除的情况下,就会触发storage事件
    在对数据进行改变的窗口对象上是不会触发的
      Key : 修改或删除的key值,如果调用clear(),key为null
      newValue : 新设置的值,如果调用removeStorage(),key为null
      oldValue : 调用改变前的value值
      storageArea : 当前的storage对象
      url : 触发该脚本变化的文档的url
    注:session同窗口才可以,

 

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