JS异步编程

JS异步编程

并发(concurrency)和并行(parallelism)区别
  • 并发是宏观概念,我分别有任务 A 和任务 B,在一段时间内通过任务间的切换完成了这两个任务,这种情况就可以称之为并发。
  • 并行是微观概念,假设 CPU 中存在两个核心,那么我就可以同时完成任务 A、B。同时完成多个任务的情况就可以称之为并行。
回调函数(Callback)
  • 定义:函数A作为参数 (函数引用)传递到另一个函数B中,并且这个函数B执行函数A。

    ajax(url, () => {
    // 处理逻辑
    })
    
  • 缺点

    • 回调地狱问题
      • 嵌套函数存在耦合性,一旦有所改动,就会牵一发而动全身
      • 嵌套函数一多,就很难处理错误
    • 不能使用 try catch 捕获错误
    • 不能直接 return
解决回调地狱的方法(异步编程)
  • Generator

  • Promise

  • async 及 await

  • 常用定时器函数

Generator
  • Generator 最大的特点就是可以控制函数的执行。

    function *foo(x) {
        let y = 2 * (yield (x + 1))
        let z = yield (y / 3)
        return (x + y + z)
    }
    let it = foo(5)
    console.log(it.next()) // => {value: 6, done: false}
    console.log(it.next(12)) // => {value: 8, done:false}
    console.log(it.next(13)) // => {value: 42, done:true}
    
    • 首先 Generator 函数调用和普通函数不同,它会返回一个迭代器
    • 当执行第一次 next 时,传参会被忽略,并且函数暂停在 yield (x + 1) 处,所以返回 5 + 1 = 6
    • 当执行第二次 next 时,传入的参数等于上一个 yield 的返回值,如果你不传参, yield 永远返回undefined 。此时 let y = 2 * 12 ,所以第二个 yield 等于 2 * 12 / 3 = 8
    • 当执行第三次 next 时,传入的参数会传递给 z ,所以 z = 13, x = 5, y = 24 ,相加等于 42
Promise
  • 三种状态:等待中(pending);完成了 (resolved);拒绝了(rejected)。状态一旦改变成其他状态就不能再次改变。

  • 在构造 Promise 的时候,构造函数内部的代码是立即执行的。

    new Promise((resolve, reject) => {
        console.log('new Promise')
        resolve('success')
    })
    console.log('finifsh')
    // new Promise -> finifsh
    
  • Promise 实现了链式调用,也就是说每次调用 then 之后返回的都是一个 Promise ,并且是一个全新的 Promise ,原因也是因为状态不可变。如果你在 then 中 使用了 return ,那么 return 的值会被 Promise.resolve() 包装。

    Promise.resolve(1)
    	.then(res => {
    		console.log(res) // => 1
    		return 2 // 包装成 Promise.resolve(2)
    	})
    	.then(res => {
    		console.log(res) // => 2
    	})
    
  • 缺点:无法取消 Promise ,错误需要通过回调函数捕获。

async 及 await(异步终极解决方案)
  • 一个函数如果加上 async ,那么该函数就会返回一个 Promise。

    async function test() {
    	return "1"
    }
    console.log(test()) // -> Promise {<resolved>: "1"}
    
  • async 就是将函数返回值使用 Promise.resolve() 包裹了下,和 then中处理返回值一样,并且 await 只能配套async 使用。

    async function test() {
    	let value = await sleep()
    }
    
  • 优点在于处理 then 的调用链,能够更清晰准确的写出代码,毕竟写一大堆 then 也很恶心,并且也能优雅地解决回调地狱问题。

  • 缺点在于 await 将异步代码改造成了同步代码,如果多个异步代码没有依赖性却使用了 await 会导致性能上的降低。

    let a = 0
    let b = async () => {
        a = a + await 10
        console.log('2', a) // -> '2' 10
    }
    b()
    a++
    console.log('1', a) // -> '1' 1
    

    解释:

    • 首先函数 b 先执行,在执行到 await 10 之前变量 a 还是 0,因为 await 内部实现了 generator, generator 会保留堆栈中东西,所以这时候 a = 0 被保存了下来。
    • 因为 await 是异步操作,后来的表达式不返回 Promise 的话,就会包装成 Promise.reslove(返回值) ,然后会去执行函数外的同步代码。
    • 同步代码执行完毕后开始执行异步代码,将保存下来的值拿出来使用,这时候 a = 0 + 10。
  • await 就是 generator 加上 Promise 的语法糖,且内部实现了自动执行 generator。

常用定时器(setTimeout、setInterval、requestAnimationFrame)
  • setTimeout 是延时多久,那就应该是多久后执行是错误的。因为JS是单线程执行的,如果前面的代码影响了性能,就会导致 setTimeout不会按期执行。
  • setInterval(不建议使用)是每隔一段时间执行一次回调函数。由于其不能保证在预期的时间执行任务而且存在执行累积的问题,通常来说不建议使用 setInterval。
  • 如果定时器执行过程中出现了耗时操作,多个回调函数会在耗时操作结束以后同时执行,这样可能就会带来性能上的问题。
  • requestAnimationFrame是完成循环定时器的需求。
    • 自带函数节流功能,基本可以保证在 16.6 毫秒内只执行一次(不掉帧的情况下),并且该函数的延时效果是精确的,没有其他定时器时间不准的问题。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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

努力不熬夜的小喵

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