手把手带你实现防抖、节流

防抖、节流函数

一、debounce防抖是什么?

debounce 函数在给定的时间间隔内只允许你提供的回调函数执行一次,以此降低它的执行频率。防抖函数(设定时间之后出结果,重复点击无效,如果重复点击,从点击的时刻,重新计算时间)。总的来说就是防抖函数指定时间内重复点击重新计算指定时间,只有最后一次是有效点击。

1.debounce函数

代码如下(示例):

/**
        * debounce 函数在给定的时间间隔内只允许你提供的回调函数执行一次,以此降低它的执行频率。
        * @method 防抖函数(设定时间之后出结果,重复点击无效,如果重复点击,从点击的时刻,重新计算时间)
        * @param func 目标函数
        * @param wait 延迟执行毫秒数
      */

const debounce = (func, wait) => {
    let _lastTime
    return function() {
        clearTimeout(_lastTime)
        _lastTime = setTimeout(() => {
            func.apply(this, arguments)
        }, wait)
    }
}

2.使用方式

代码如下(示例):html文件

<body>
    <div id="app">
    	<button onclick="fun()">防抖</button>
    </div>
</body>
<script>
	var fun = debounce(function (){
	    console.log(111)
	},1000)
</script>

代码如下(示例):vue中

<template>
    <div id="app">
    	<button @click="fun()">防抖</button>
    </div>
</template>
<script>
	export default {
		methods: {
			fun:debounce(function(){
				console.log(111)
			},1000)
		}
	}
</script>

二、throttle节流是什么?

节流函数(设定时间之内只能点击一次,点击后立即触发,重复点击无效,必须等到设定时间执行完才执行第二次)

1.throttle函数

代码如下(示例):

/**
    * @method 节流函数(设定时间之内只能点击一次,点击后立即触发,重复点击无效,必须等到设定时间执行完才执行第二次)	
    * @param func 函数
    * @param wait 延迟执行毫秒数
 */
const throttle = (func, wait) => {
    if (wait == null || wait == undefined) {
        wait = 3000
    }
    let _lastTime = null
    // 返回新的函数
    return function() {
        let _nowTime = +new Date()
        if (_nowTime - _lastTime > wait || !_lastTime) {
            func.apply(this, arguments) // 将this和参数传给原函数
            _lastTime = _nowTime
        }
    }
}

2.使用方式

提示:同debounce防抖函数使用方式一样

总结

本文仅为示例,实际应用可以封装到js文件中全局引入。如有错误欢迎评论区解答!

如果对您有所帮助,请留下您的大拇指吧!!

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要使用PyTorch实现MNIST数据集的手把手教程,你可以按照以下步骤进行操作: 1. 导入所需的库和模块。这包括PyTorch库和其他必要的辅助功能库。 2. 获取并预处理数据集。你可以使用MNIST数据集,该数据集包含了0到9的手写数字图像。可以使用torchvision库中的函数来下载和加载MNIST数据集。然后,你需要对图像进行预处理,例如将其转换为张量、进行归一化等。 3. 构建模型。在PyTorch中,你可以使用nn.Module类来定义模型。你可以选择使用卷积神经网络(CNN)或全连接神经网络(FNN)来构建模型。根据模型的复杂性和准确性需求进行选择。 4. 定义损失函数和优化器。根据你的问题和模型的输出类型,选择适当的损失函数,例如交叉熵损失函数。然后选择一个优化器,例如随机梯度下降(SGD)或Adam优化器。 5. 编写训练循环。在训练循环中,你需要定义训练过程中的前向传播、计算损失、反向传播和参数更新操作。同时,你还可以添加其他功能,例如计算准确率、记录训练损失等。 6. 编写测试循环。在测试循环中,你需要定义测试过程中的前向传播和计算准确率操作。 7. 定义主要函数。在主要函数中,你需要调用前面定义的函数和模型,对数据进行训练和测试,并输出结果。 请注意以上步骤只是一个大致的框架,具体的实现细节和代码可以根据你的需求和实际情况进行调整和修改。在实际操作中,你可能还需要考虑其他因素,例如数据扩充、模型调参和模型保存等。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [PyTorch 手把手教你实现 MNIST 数据集](https://blog.csdn.net/weixin_46274168/article/details/118271544)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [使用自然语言TensorFlow或PyTorch构建模型处理(NLP)技术构建一个简单的情感分析模型(附详细操作步骤)....](https://download.csdn.net/download/weixin_44609920/88234133)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
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