js通过正则表达式获取到img标签的任意属性

最新推荐文章于 2025-02-21 15:55:32 发布
最新推荐文章于 2025-02-21 15:55:32 发布
阅读量950 收藏 1
点赞数
分类专栏： Vuejs 文章标签： vue.js elementui javascript 前端
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42066070/article/details/126586040
版权
本文介绍了如何使用JavaScript通过正则表达式获取img标签的text属性。首先，将所有img标签构建成数组，然后找出所有text属性值，再遍历并替换字符串，实现text值的拼接。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 

效果如下

 

上面的案例中，我想获取到这个标签的text属性，如何实现？

实现思路

1.把这个数据里面的所有的img标签查找到组合成一个数组

2.从这个数组里找到所有的text属性值，组成数组

3.循环遍历这个数组，以此匹配替换str的值，替换成对应的 text值，并进行拼接。

1.步骤一

找到输入框的值，用 filterEmo的方法对数据进行处理

    addContent() {
      // 追加到后面
      let div = docume
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Vision Transformer （ViT）：图像分块、图像块嵌入、类别标记、QKV矩阵与自注意力机制的解析
养乐多的博客
07-29 1万+
本文将介绍Vision Transformers （ViT）中的关键点。包括图像分块（Image Patching）、图像块嵌入（Patch Embedding）、类别标记（class_token）、QKV矩阵计算过程、余弦相似度（cosine similarity）、Softmax、自注意力机制等概念。主要介绍QKV矩阵计算过程。
视觉Transformer原理与代码实例讲解
AI天才研究院
05-30 1188
视觉Transformer原理与代码实例讲解（1） 1. 背景介绍 近年来，Transformer在自然语言处理（NLP）领域取得了巨大的成功，如BERT和GPT模型。受其启发，研究人员开始将Transformer应用到计算机视觉（CV）领域，提出了视觉Transform
深入理解Transformer——从QKV开始
Cloud_Flow的博客
01-22 2468
本章从底层QKV的角度介绍了Transformer模型的架构，基本原理等。
KTransformers：清华开源框架让单卡24G显存跑DeepSeek-R1 671B大模型，推理速度飙升！+ 实践
最新发布
nfkjdx的博客
02-21 5595
KTransformers：告别天价显卡！国产框架让单卡24G显存跑DeepSeek-R1 671B大模型：推理速度飙升
Transformer的Q、K、V和Mutil-Head Self-Attention（超详细解读）
热门推荐
weixin_45303602的博客
11-02 3万+
举个例子我们在某宝上搜索东西，输入的搜索关键词就是Q，商品对应的描述就是K，Q与K匹配成功后搜索出来的商品就是V。Q、K、V经过Linear然后经过h个Self-Attention，得到h个输出，其中h指的是注意力的头数。更多的头数意味着更强大的模型能力，比如LLM大模型Baichuan-13B中的head数目是40，而Baichuan-7B中的head数目是32。是三个可训练的参数矩阵，输入矩阵X分别与三个矩阵参数进行相乘，相当于进行一次线性变换，得到了Q、K、V。，那Q、K、V是怎么来的呢？
怎样理解Transformer里面的KQV？
weixin_63866037的博客
11-28 853
之前有介绍过Transformer的结构，其中最重要的部分就是里面的自注意力公式，其实就是对KQV矩阵做运算，但是不是很明白，通过这篇博客帮助自己和大家有更好的理解。
如何理解self attention中的QKV矩阵
weixin_38381682的博客
03-15 1万+
如何理解self attention中的QKV矩阵 疑问：三个矩阵的形状是一样的（embd_dim*embd_dim），作用也都是对输入句子的embedding做线性变换（tf.matmul(Q,input_value),tf.matmul(K,input_value)，tf.matmul(V,input_value)）。 那么，为什么需要三个矩阵QKV。 对于这个问题，在我第一次看了b站博主视频https://www.bilibili.com/video/BV1P4411F77q（强烈推荐）。就已经
transformer中QKV的通俗理解(剩女与备胎的故事)
Peter的博客
12-08 1万+
用vit的时候读了一下transformer的思想,前几天面试结束之后发现对QKV又有点忘记了, 写一篇文章来记录一下 参考链接: 哔哩哔哩:在线激情讲解transformer&Attention注意力机制（上）在线激情讲解transformer&Attention注意力机制（上）_哔哩哔哩_bilibiliAttention is all you need介绍 更具体的介绍可以去阅读论文在Attention is all you need这篇文章中提出了著名的Transformer模型Transforme
CV领域 交叉注意力(Cross Attention)中QKV的含义理解
清晨的光明
03-27 7216
再用Key向量的维度进行scaling，即将计算得到的相似度矩阵维度，：将重要特征的强弱程度权重系数矩阵施加到图像特征上，得到最终的。：Q和K相乘，对应Query和Key进行点积运算，得到的是。（2）Q：告诉attention需要关注哪些重要特征。，即Q中任一元素与K的每个元素相似度权重之和都为1；，这个系数矩阵代表在图像特征上。（1）K=V：图像的全局特征。（重要特征是Q所提供的）。：对相似度权重矩阵进行。
知识分享|如何简单通俗理解Transformer
weixin_45783724的博客
07-12 1963
简单通俗理解Transformer
学习视觉CV Transformer （2）--Transformer原理及代码分析
weixin_42495721的博客
10-24 357
视觉CV Transformer 原理及代码分析
Transformer 原理与代码实战案例讲解
AI天才研究院
06-15 584
在自然语言处理（NLP）领域，Transformer 模型的出现标志着一个重要的里程碑。自从 Vaswani 等人在 2017 年提出 Transformer 模型以来，它迅速成为了 NLP 任务中的主流模型。Transformer 模型不仅在机器翻译、文本生成等任务中表现出色，还在图像处理、语音识别等领域展现了强大的应用潜力。在 Transformer 出现之前，循环神经网络（RNN）和长短期记忆网络（LSTM）是处理序列数据的主要工具。然而，这些模型存在一些固有的局限性：Transformer 模型通过
LLM注意力Attention，Q、K、V矩阵通俗理解
Code1994的博客
01-14 2208
要理解大语言模型效果的底层实现原理，很大一部分就是理解Transformers Block里面的QKV矩阵。，比如注意力、量化、低秩压缩等等。其，在推理过程中，QKV存储量还会随着上下文长度的增长而线性增长，计算量也平方增加。可以说，现在大模型对外销售OpenAPI的价格战，；围绕QKV，各大模型厂商使出浑身解数，在本文，我们将从纯概念的角度，增进对QKV的理解。
LLM - Transformer 的 Q/K/V 详解
BITDDD小栈
01-27 2330
Transformer 中 Self-Attention、Multi-Head-Attention 原理与实践。
3. Transformer —— 理解QKV
cs_SZHS的博客
04-17 3487
在这一篇中，我们重新认识了词向量，qkv以及他们的意义和作用。在此基础上，后续才能更好的理解decoder的工作原理。接下来，主要会讲解decoder结构和原理，transformer的总体结构，训练和预测流程。如果能找到合适的项目的话，会进行代码层面的学习演示。0.1*v1。
白话transformer（二）：Q K V矩阵
Andy_shenzl的博客
03-13 3894
前面说了注意力机制的工作原理，本次来看看为了实现自注意力机制，Q K V矩阵是如何实现的。白话transformer（二）
Transformer中的Q/K/V理解
fzz97_的博客
02-07 1万+
详细解释了Transformer中的Q/K/V矩阵的作用和意义。
transformer中对于QKV的个人理解
weixin_44115575的博客
06-09 5412
上面这个transformer中的注意力公式，相信大家不会陌生。公式并不复杂，但是why?为什么是这个公式，为什么大家都说之前了解transformer的时候，对于QKV的设定感到很奇怪，后来慢慢接受了这个设定，今天记录一下自己的理解。 总结一下核心是新词向量矩阵包含了位置编码和其他词的上下文信息的一组信息的词向量。
Transformer QKV attention
_
03-05 1236
QKV attention QKV attention
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

sunyin.liu

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

实付元
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