前端优化使用技巧

博客介绍了前端与后端开发的优化技巧。前端方面,提到使用子代选择器、图片懒加载、避免图片src属性为空、巧用短路运算;后端方面,介绍了HASHMap排序处理,以及SpringMVC项目中controller转换JSON时含特殊字符的处理方式。

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

1.css选择器

使用 子代选择器 >,减少使用后代选择器;

2. 图片懒加载:

jquery.lazyload.js

3. 避免图片src属性为空

src 属性是空字符串的图片很常见,主要以两种形式出现:

    <img src=””>

    var img = new Image();img.src = “”;

    这两种形式都会引起相同的问题:浏览器会向服务器发送另一个请求。

图片加载失败时,可使用默认图片替换加载失败的图片 :

     onerror="this.src='/images/film.png'" 

但是,若默认图片也不存在时,页面会不断发送请求到服务器;

4.巧用短路运算(||)

a=a||b;
a存在则使用a,a不存在则使用b。

5.HASHMap 排序的处理

JS是无法对 MAP进行排序的,贴别是多个MAP集合有关联时。

比较笨的一种方法是:循环遍历MAP集合,转为 Array数组对象;然后对数组对象的属性进行排序;

6.SpringMVC 项目中,controller 对 对象或者列表 转换为JSONObject后,页面接收到 的JSONString,如包含空格,或特殊字符时,容易报错;

处理方式如下:

jsonObj.replace(/\r\n/g,"\n").replace(/\n/g,"\n").replace(/\s+/g,"");

 

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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