Ajax机制与DOM初步介绍

1.对象初始化
2.发送请求
3.服务器接受请求并接受处理
4.服务器返回响应数据
5.客户端接收
6.依据响应数据修改客户端页面被荣


1.初始化对象并发出XMLHttpReq请求


var XMLHttpReq;

//创建XMLHttpRequest对象       

        function createXMLHttpRequest() {

               if(window.XMLHttpRequest) { //Mozilla 浏览器

                      XMLHttpReq = new XMLHttpRequest();

               }

               else if (window.ActiveXObject) { // IE浏览器

                       try {

                               XMLHttpReq = new ActiveXObject("Msxml2.XMLHTTP");

                       } catch (e){

                              try {

                                   XMLHttpReq = new ActiveXObject("Microsoft.XMLHTTP");

                              } catch (e) {}

                       }

               }

        }


2.指定响应处理函数

XMLHttpReq.onreadystatechange=processResponse;

也可以用JavaScript即时定义函数的方式定义响应函数

XMLHttpReq.onreadystatechange=function(){}

3.发出HTTP请求

在指定响应函数之后,就可以向服务器发送请求。

            XMLHttpReq.open("GET", url, true);

            XMLHttpReq.send(null);

4.处理服务器返回的信息

     先检查XMLHttpReq对象的XMLHttpReq值,判断请求目前的状态。当XMLHttpReq

if (XMLHttpReq.readyState == 4) {}
else{"页面还没有返回"}

然后还需要判断HTTP的状态码

if (XMLHttpReq.status == 200) {
}else {

                      window.alert("您所请求的页面有异常。");

                 }


有两种处理方式,一种为responseText:即将传回的信息当字符串使用;另一种为responseXML:
即将传回的信息当XML文档使用 利用DOM操作XML文档


DOM中的核心概念就是jieidnaai.zDOM分析XML文档时,将组成XML文档的各个部分(元素的,属性,文本,注释,处理指令)映射为一个对象,这个对象叫做节点。在内存中形成一棵文档树。整棵树也是一个节点,树中的每个节点也是一是一棵树(子树)。     可以说DOM就是对这颗树的描述。

1.文档节点

       文档节点表示文档树的根节点,也是文档中其他所有节点的父节点。文档节点并不是XML文档的根元       素(文档元素),因为在XML文档中,处理指令,注释等内容都是出现在根元素之外的,所以根元素       时文档节点的子节点。文档节点通过org.w3c.dom.Document接口老表示的

2.元素节点

     表示XML文档中的各个元素

3.文本节点

     文本节点表示元素内容中的字符数据

4.属性节点
  
     属性节点附属于元素节点,表示XML文档中的属性。

5.NodeList接口

     一个有序节点集合的抽象。
     NodeList时动态的。电泳任何的删除增加方法都将影响到NodeList对象。

6.NamedNodeMap接口

     一个节点的集合,通过该接口可以建立节点名和节点之间的一一映射关系,从而利用节点名就可以直接访问对应的节点。

DOM操作HTML文档:

创建一个表格,单元格元素,向单元格添加文本信息内容,设置单元格对应属性如背景色边框等。

HTML文档中的各个标记,元素被视为各种类型的Node对象,即节点对象,每个对象都有自己的属性和方法

,利用这些方法就可以遍历整个文档树。nodeType表示节点类型。
element            Node.ELEMENT_NODE           元素节点
text               Node.TEXT_NODE              文本节点
document           Node.DOCUMENT_NODE
comment            Node.COMMENT_NODE           注释的文本
documentFragment   Node.DOCUMENT_FRAGMENT_NODE
attr             Node.ATTRIBUTE_NODE        节点属性

在DOM的属性结构中,其根节点是document对象,他的documentElement属性引用表示文档根元素的

element对象(相当于HTML文档的<html>标记)

document的常用方法:

1.createAttribute()   用指定的名字创建新的attr节点,即属性节点
2.createComment()     用指定的名字创建新的comment节点
3.createElement()     用指定的名字创建新的element节点
4.createTextNode()    用指定的名字创建新的textNode节点
5.getElementById()    返回文档中具有指定id属性的element节点
6.getElementByTagName()   返回文档中具有指定标记名的所有element节点

对于element节点,可以通过调用getAttribute() setAttribute() removeAttribute()方法来查询,设置或者删除一个element节点的相关属性

node对象中定义了一系列属性和方法,来遍历整个文档。如parentNode,childNodes[],firstChild
nextSibling,lastChild,previousSibling还有appendChild(),insertBefore(),removeChild(),replaceChild()等方法

响应的处理:


服务器发回的数据可以是文本串的格式,也可以是XML格式。一般数据量大时或者说复杂时,往往使用XML结构化方式来表示数据。针对返回的格式,提供了两个属性,一个是responseText属性,一个是responseXML。

var res=XMLHttpReq.responseText;
   window.alert(res);

var res=XMLHttpReq.responseXML.getElementsByTagName("res").firstChild.data;
   window.alert(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