部分面试题

splice和slice

splice()的方法有三种使用方法:删除,插入和替换
该方法会改变原数组

1、删除
splice(参数1,参数2)
参数1:要删除元素的索引(从0开始)
参数2:删除的个数(从参数1开始算)

var arr = [1,2,3,4,5];
        arr.splice(1,2)
        console.log(arr);  //[1,4,5]

splice(参数1,参数2,参数3)
2.插入:如果参数2为0,那么就为插入 插入到参数1的后面

var arr = [1,2,3,4,5];
        arr.splice(1,0,8)
        console.log(arr);  【1,8,2,3,4,5】

3.替换:如果参数不为0,那么参数3就插入到删除元素的位置

var arr = [1,2,3,4,5];
        arr.splice(1,2,8)
        console.log(arr);//[1.8.4.5]

**slice(start, end) **
start,截取的位置 - 1 ;
end,所截取最后一个字符的位置。
该方法会返回一个新数组 不会改变原数组

可提取字符串的某个部分,并以新的字符串返回被提取的部分。

 var str="Heloo";
        var n=str.slice(1,3); //不包括本身,所以只截取的真实长度为2
        console.log(n); //el

如果是负数,则该参数规定的是从字符串的尾部开始算起的位置。也就是说,-1 指字符串的最后一个字符,-2 指倒数第二个字符,以此类

生命周期钩子

8种生命周期钩子

px em rem

px像素(Pixel)。相对长度单位。像素px是相对于显示器屏幕分辨率而言的。是固定死的,因为IE无法调整那些使用px作为单位的字体大小,所以页面布局很容易错乱
Firefox虽然能够调整px,但是96%以上的中国网民使用IE浏览器(或内核)。

em是相对长度单位。相对于当前对象内文本的字体尺寸。如当前对行内文本的字体尺寸未被人为设置,则相对于浏览器的默认字体尺寸。会继承父级元素的字体大小
在这里插入图片描述

闭包

js的作用域分两种,全局和局部,基于我们所熟悉的作用域链相关知识,我们知道在js作用域环境中
访问变量的权利是由内向外的,内部作用域可以获得当前作用域下的变量并且可以获得当前包含当前作用域的外层作用域下的变量,反之则不能,也就是说在外层作用域下无法获取内层作用域下的变量,同样在不同的函数作用域中也是不能相互访问彼此变量的,那么我们想在一个函数内部也有限权访问另一个函数内部的变量该怎么办呢?闭包就是用来解决这一需求的,闭包的本质就是在一个函数内部创建另一个函数。

闭包有3个特性:
1.函数嵌套函数
2.函数内部可以引用函数外部的参数和变量
3.参数和变量不会被垃圾回收机制回收

函数作为返回值
a()中的返回值是一个匿名函数,这个函数在a()作用域内部,所以它可以获取a()作用域下变量name的值,将这个值作为返回值赋给全局作用域下的变量b,实现了在全局变量下获取到局部变量中的变量的值
一般情况下,在函数fn执行完后,就应该连同它里面的变量一同被销毁,但是在这个例子中,匿名函数作为fn的返回值被赋值给了fn1,这时候相当于fn1=function(){var n = 0 ... },并且匿名函数内部引用着fn里的变量num,所以变量num无法被销毁,而变量n是每次被调用时新创建的,所以每次fn1执行完后它就把属于自己的变量连同自己一起销毁,于是乎最后就剩下孤零零的num,于是这里就产生了内存消耗的问题
例1:写一个for循环,让它按顺序打印出当前循环次数

for(var i=0;i<5;i++){
            setTimeout(function(){
                console.log(i+'');
                
            },2000)
        }

按照预期它应该依次输出1 2 3 4 5,而结果它输出了五次5
由于js是单线程的,所以在执行for循环的时候定时器setTimeout被安排到任务队列中排队等待执行,而在等待过程中for循环就已经在执行,等到setTimeout可以执行的时候,for循环已经结束,i的值也已经编程5,所以打印出来五个5

for(var i=0;i<5;i++){
           (function(i){
            setTimeout(function(){
                console.log(i+'');
            },1000)
           }(i))
        }

引入闭包来保存变量i,将setTimeout放入立即执行函数中,将for循环中的循环值i作为参数传递,100毫秒后同时打印出1 2 3 4 5,并没有延迟输出

 for(var i = 0;i<5;i++){
            (function(i){
                setTimeout(function(){
                    console.log(i);
                },i*1000)
            })(i)
        }

相当于同时启动3个定时器,i*1000是为4个定时器分别设置了不同的时间,同时启动,但是执行时间不同,每个定时器间隔都是1000毫秒,实现了每隔1000毫秒就执行一次打印的效果。

例2:点击ul下面的li 弹出相对应的索引

<ul id="test">
        <li>1</li>
        <li>2</li>
        <li>3</li>
        <li>4</li>
        <li>5</li>
    </ul>

方法1:

window.onload = function(){
var lis = document.getElementById("test").children;
for(var i = 0;i<lis.length;i++){
lis.onclick = (function(i){
return function(){
alert(i);
}
})(i)
}
}

方法2

window.onload = function(){
var lis = document.getElementById("test").children;
for(var i = 0;i<lis.length;i++){
(function(i){
lis[i].onclick = function(){
alert(1)
}
}(i))
}
}

闭包的优缺:

优点:

1.保护函数内的变量安全 ,实现封装,防止变量流入其他环境发生命名冲突

2.在内存中维持一个变量,可以做缓存(但使用多了同时也是一项缺点,消耗内存)

3.匿名自执行函数可以减少内存消耗

缺点:

1.其中一点上面已经有体现了,就是被引用的私有变量不能被销毁,增大了内存消耗,造成内存泄漏,解决方法是可以在使用完变量后手动为它赋值为null;

2.其次由于闭包涉及跨域访问,所以会导致性能损失,我们可以通过把跨作用域变量存储在局部变量中,然后直接访问局部变量,来减轻对执行速度的影响

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