bug注意点

约束input框输入类型


添加提示:为<a>标签添加提示信息title

时间范围搜索框约束,开始时间不能大于结束时间

上限测试,前端约束不能输入太大超出数据库字段

界面上注意,一点按钮或者input框无效是因为有内容覆盖上面

站点数无法输入,导致不能新增订单

原因是有个<div>&nbsp</div>覆盖到站点数上面,导致点击没反应,这在一些浏览器上才发现问题,将<div>&nbsp</div>删除;


datatable的使用

上面是查询条件按钮,下面是换页按钮,点击两个按钮都会发生查询操作,查询条件有上面过滤条件和当前页面条件

当点击下面换页按钮时候,也要带着上面查询条件和当前页码,当点击上面查询按钮时候,也要带着上面查询条件和当前页码,这时候会出现bug,页码在第2页,新的查询条件只查询出的条数不足一页,就会提示出错。

两种操作出错场景
场景一:先全局查询-》选中第二页-》修改查询区域条件,点击查询按钮
场景二:先全局查询-》修改查询条件-》选中第二页
解决办法:

方法一:点击查询按钮时候执行下面语句

如果datatable不为空要先重新初始化表格:

dimensionTable.ajax.reload(null, true);
energy.querybtn = function(){
     ....
    dimensionTable.ajax.reload(null, true);

}
方法二:在web服务器端分页的时候加以判断
方法三:最根治的解决办法即将只有点击查询按钮时候加条件,点击换页的时候不带最新条件

 

var dimensionTable  = $( '#example' ).DataTable( {
     ajax:  "data.json"
} );

 var  dimensionTable = $('#example').dataTable($.extend(true, {}, cfg, {
    "serverSide":true,
    "ajax": function (data, callback, settings) {
     var obj = getQuerytableCondition(data);
     global.ajax.jsonPost("/request/energyDimAnalyze/DimStatistics", { "objStr": JSON.stringify(obj) }, function (result) {
     var returnData = result.info;
     returnData.recordsFiltered = returnData.recordsTotal;
     var finaldata = DetailData(returnData);
     callback(finaldata);
     });
     },
    "columnDefs": [
 
     ]
})).api();
总之:涉及查询条件的表格,用方法三最好

额外学习


每30秒重新加载表数据(分页重置)

1
2
3
4
5
6
7
var table = $( '#example' ).DataTable( {
     ajax:  "data.json"
} );
 
setInterval(  function () {
     table.ajax.reload();
}, 30000 );

每30秒重新加载表数据(分页留存)

1
2
3
4
5
6
7
var table = $( '#example' ).DataTable( {
     ajax:  "data.json"
} );
 
setInterval(  function () {
     table.ajax.reload(  null false );  // 刷新表格数据,分页信息不会重置
}, 30000 );

使用回调函数来更新外部元素

1
2
3
4
5
6
var table = $( '#example' ).DataTable();
 
table.ajax.reload(  function ( json ) {
     //这里的json返回的是服务器的数据
     $( '#myInput' ).val( json.lastInput );
} );

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