JavaScript重新学习、捡漏 (7)

JavaScript重新学习、捡漏 (7)

String对象 字符串对象相对来说就比较简单了,涉及到的方法也不多

  1. 字符串对象的创建
	var str = 'strstr';			//这种创建方式其实做了包装转换
	var str = new String('strstr');		//当然我们一般就用第一种方式就可以啦
  1. 通过索引值获得字符值
	var str = 'strstr';
	str.charAt(0);		//s   返回字符串中下标为0的字符
	str.charCodeAt(0); 	//返回s对应的ASCII码值,可以通过此方法判断用户敲击键盘的哪个键
	str[0];			//返回s
  1. 返回字符在字符串中第一次出现的位置
	var str = 'strstr';
	str.indexOf('s');		//从下标0开始
	str.lastIndexOf('s');		//从字符串末端开始
  1. 把2个或两个以上字符串合并成一个
        var strOne = "string";
        var strTwo = "string";
        var str = strOne.concat(strTwo);
        console.log(str);    //输出stringstring
  1. 将 Unicode 编码转为一个字符:
        var str = String.fromCharCode(65);
        console.log(str);
  1. 字符串匹配,正则表达式
        var str = "str is good string";
        var res = str.match(/good/g);		//匹配good字符
        console.log(res);
  1. 字符串替换,只替换第一次匹配到的,当然通过正则可以全部替换
	var str = "str is good string good string";
	var res = str.replace("good","bad");
  	console.log(res)  //输出:str is bad string good string;
  1. 字符串检索,查找字符串在主串中出现的位置
        var str = "Visit W3CSchool!";
        var res = str.search("W3CSchool"); 
        console.log(res);   //输出6,如果没有则返回-1
  1. 提取字符串的片段
  	var str = "Hello world!";
  	var res = str.slice(1,5);    //第一个参数是开始的下标,第二个参数是结束的下标
  	console.log(res);
  1. 字符串的分割,通过某个字符进行分割
	 var str = "How are you doing today?";
	 var res = str.split(" ");   //通过空格进行分割字符串,用数组返回
	 console.log(res);
  1. 字符串的截取
  	 var str = "Hello world!";
 	 var res = str.substr(2,3);  //第一个参数是开始的下标,第二个参数是截取的长度
 	 console.log(res);
  1. 提取字符串中介于两个指定下标之间的字符
	 var str = "Hello world!";
  	 var res = str.substring(1,3);  //第一个参数是开始的下标,第二个参数是结束的下标
  	 console.log(res);        
  	 var resTwo = str.substring(1); //如果是一个参数的话就是从参数从下标的位置开始到字符串结束
  	 console.log(resTwo);  
  1. 大小写转换
	  var str = "hello WOELD!";
	  var lower = str.toLowerCase();  //把字符串转换为小写
	  console.log(lower);
	  var upper = str.toUpperCase();  //把字符串转换为大写
	  console.log(upper);
  1. 去除字符串两边的空白
	  var str = "    string      ";
	  var res = str.trim();
  	  console.log(res);
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