Seajs 实践(二)—— 使用 spm3 构建项目

回顾

上一篇文章中,利用 Seajs 对 2048 游戏进行了模块化。现在我们可以看到,在页面中使用seajs.use("game/main") 就能够自动加载其余的2个js文件。

构建的意义

但是在实际的开发当中,通常会利用工具把多个 js 文件进行合并和压缩,减少服务器的请求次数,降低服务器的压力。

然而,使用传统的压缩工具对 CMD 模块进行压缩并不奏效,原因在于我们在写CMD模块的时候写的都是“匿名模块”,所以在使用普通工具合并之后 seajs 并不能识别出每一个“匿名模块”。因此,在合并之前还需要多一个步骤,就是将我们手写的 CMD 模块使用构建工具转换为 Modules/Transport 格式:

define("id", ["dep-1", "dep-2"], function(require, exports, module) {
  // code
})

第一个参数id 用于识别各个模块。第二个参数指明该模块所依赖的模块,第三个就是原来写的函数。

构建过程

spm3 介绍

spm(static package manager) 静态包管理工具,可以使用它来对CMD模块进行构建。spm3 是 spm 的新版本,它集成了spm-build-deps 的功能,可以直接使用它来构建。

spm3 与 spm2 的差异非常大,了解更多可以看《spm3 发布通告》《spm@3.0 和 spmjs.org 的未来》 两篇文章。

去掉 CMD 模块的包装

spm3 当中,支持的书写规范从 CMD 模块 转向了 CommonJS。因此在构建之前,要先把原 CMD 模块的 define 包装去掉。构建之后 spm3 会自动在代码外添加

define("id", ["dep-1", "dep-2"], function(require, exports, module)

包装(如果没有去掉,构建后会发现原 define 外又添加了一层 define,会导致代码不能执行)。

安装 spm3

要安装 spm3 先要安装 nodejs(这个应该大家都安装了吧)。然后,打开命令行工具安装 spm

npm install spm -g

输入

spm -v

出现版本号3.x.x安装成功。

创建 package.json

spm 使用与 npm 同样的文件 package.json 来描述要构建的项目。

package.json 可以手动创建,也可以用 npm init 等方法去创建。

{
  "name": "2048",
  "version": "1.0.0",
  "description": "2048 with seajs",
  "author": "acwong",
  "license": "MIT",
  "spm": {
    "main": "static/game/main.js"
  }
}

spm 字段是包含与 spm 构建相关的一些属性。这里我们把入口文件定义为 main.js (默认为 index.js)。其余的属性可以参考spm3官网的介绍

build

在项目的目录打开命令行工具,输入构建命令

spm build

等待一段时间,构建完成。

构建完成

构建完成之后,可以发现项目目录下多了一个文件夹 dist,这个就是存放构建后代码的地方。现在只要在页面文件中改动一下构建后的路径,就可以运行游戏了。

seajs.config({
    base: "../dist/",
});
// 构建后入口文件的id
seajs.use("2048/1.0.0/static/game/main");

打开游戏,可以发现原来的3个 js 文件,现在只剩下 main.js 一个了。

这里可以查看最终的代码。

最后

由于 spm3 从 CMD 模块转向了 CommonJS 所以会导致一个问题,去掉 define 之后线下文件不能直接打开调试,所以 Seajs 推出了一个 seajs-wrap 的插件可以动态添加

define(function(require, exports, module) {})

seajs-wrap 在 sea.js 之后引入。

<script src="path/to/sea.js"></script>
<script src="path/to/seajs-wrap.js"></script>

虽然有了这个插件,但是我认为还是不太便于使用,希望未来的版本可以有更好的解决方案。了解更多请戳...

这里只是简单谈谈我自己的一次实践过程,seajs还有更多强大的功能等着我们去学习。

感谢您的阅读,有不足之处请为我指出。

参考

  1. Develop A Package -- spmjs.io
  2. 为什么要有约定和构建工具
  3. 为什么 SeaJS 模块的合并这么麻烦
  4. seajs-wrap 中文文档

本文同步于我的个人博客 http://acwong.org/2014/11/16/2048-with-seajs-and-spm3/

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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 1
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