jQuery 的58种事件方法你都用过了吗

jQuery 事件方法

事件方法触发或将函数附加到所选元素的事件处理程序。

下表列出了用于处理事件的所有jQuery方法。

方法描述
bind()在3.0版中已弃用。 请改用on()方法。将事件处理程序附加到元素
blur()附加/触发模糊事件
change()附加/触发更改事件
click()附加/触发单击click事件
dblclick()附加/触发双击事件
delegate()在3.0版中已弃用。请改用on()方法。将处理程序附加到匹配元素的当前或将来指定的子元素
die()在1.9版中删除。删除使用live()方法添加的所有事件处理程序
error()在3.0版中删除。附加/触发错误事件
event.currentTarget事件冒泡阶段中的当前DOM元素
event.data包含绑定当前执行处理程序时传递给事件方法的可选数据
event.delegateTarget返回附加当前调用的jQuery事件处理程序的元素
event.isDefaultPrevented()返回是否为事件对象调用了event.preventDefault()
event.isImmediatePropagationStopped()返回是否为事件对象调用了event.stopImmediatePropagation()
event.isPropagationStopped()返回是否为事件对象调用了event.stopPropagation()
event.namespace返回触发事件时指定的命名空间
event.pageX返回相对于文档左边缘的鼠标位置
event.pageY返回相对于文档上边缘的鼠标位置
event.preventDefault()阻止事件的默认操作
event.relatedTarget返回鼠标移动时输入或退出的元素
event.result包含由指定事件触发的事件处理程序返回的最后/上一个值
event.stopImmediatePropagation()阻止调用其他事件处理程序
event.stopPropagation()防止事件冒泡DOM树,防止任何父处理程序被通知事件
event.target返回哪个DOM元素触发了该事件
event.timeStamp返回自1970年1月1日触发事件以来的毫秒数
event.type返回触发的事件类型
event.which返回为事件按下的键盘键或鼠标按钮
event.metakey返回为事件触发时那个 META 键是否被按下
focus()附加/触发焦点事件
focusin()将事件处理程序附加到focusin事件
focusout()将事件处理程序附加到focusout事件
hover()将两个事件处理程序附加到悬停事件
keydown()附加/触发keydown事件
keypress()附加/触发按键事件
keyup()附加/触发keyup事件
live()在1.9版中删除。将一个或多个事件处理程序添加到当前或将来的选定元素
load()在3.0版中删除。将事件处理程序附加到load事件
mousedown()附加/触发mousedown事件
mouseenter()附加/触发mouseenter事件
mouseleave()附加/触发mouseleave事件
mousemove()附加/触发mousemove事件
mouseout()附加/触发mouseout事件
mouseover()附加/触发鼠标悬停事件
mouseup()附加/触发mouseup事件
off()删除使用on()方法附加的事件处理程序
on()将事件处理程序附加到元素
one()向选定元素添加一个或多个事件处理程序。此处理程序每个元素只能触发一次
$.proxy()获取现有函数并返回具有特定上下文的新函数
ready()指定DOM完全加载时要执行的函数
resize()附加/触发resize事件
scroll()附加/触发滚动事件
select()附加/触发选择事件
submit()附加/触发提交事件
toggle()在1.9版中删除。附加两个或多个函数以在click事件之间切换
trigger()触发绑定到所选元素的所有事件
triggerHandler()触发绑定到所选元素的指定事件的所有函数
unbind()在3.0版中已弃用。请改用off()方法。从所选元素中删除添加的事件处理程序
undelegate()在3.0版中已弃用。请改用off()方法。现在或将来删除所选元素的事件处理程序
unload()在3.0版中已弃用。将事件处理程序附加到unload事件
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