jQuery1 DOM操作

博客主要介绍了信息技术领域中关于对象和HTML元素的操作。包括获取对象并判断其类型,使用appendto在HTML中添加元素,检查元素数量、提取元素以及获取父元素等内容。

获取对象 判断对象类型

$(function(){
  var DOMobj=document.getElementById("div");
  var jQueryobj=$('#div');
  console.log(DOMobj);
  console.log(jQueryobj);

  //检测DOM 和jQuery对象
  if(DOMobj.nodeType){
    console.log("666 is nodeType");
  }else console.log("000 not nodeType");

  if (jQueryobj.jquery){
    console.log("is jQuery");
  }

  $(function() {

var dom=document.getElementById("div");
var jqu=$('#div');

console.log(dom);
console.log(jqu);
console.log(dom.jquery); //length=1 
console.log(dom.nodeType);

console.log(jqu.nodeType);
console.log(jqu.jquery);  //若是jQuery对象 返回版本号
console.log($('aas'));  //未选中对象 length=0;



//对象转换
    console.log($(DOMobj));

    console.log(jQueryobj.get(0));

})

appendto 在html中添加元素

$(function(){
  var link1=$('<a>',{
    text:'baiduAHuLa',
    href:'http://www.baidu.com',
    target:'_blank', //??
    title:'goto baidu'
  });
  //添加元素到html中
  link1.appendTo('body');

检查元素数量 提取元素

<body>

  <div id='div'>lalala</div>


  </div>

  <ul>
  <ol>ame1</ol>
  <ol>ame2</ol>
  <ol>ame3</ol>
  <ol>ame4</ol>
  <ol>ame5</ol>
<div></div>

  </ul>


</body>

  var elements=$('ol');
    console.log(elements); //length==5

  var div=$('div');
  console.log(div);  //length==2

	//返回 dom元素
  console.log(elements.get(-1));  //返回最后一个元素
  console.log(elements[0]);  //倒数第二个安苏
	//返回jquery对象 
	
	

获取父元素

	console.log($('#ele_id').parents('ele_type'));
	
  console.log($('#info').parent(),"--------");
  console.log($('#info').parents());  //获取父元素
  console.log($('#info').parents('ul'));   
  console.log($('#info').children());  //获取子元素
  console.log($('#uul').contents());  //获取子元素和文本元素

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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