/**********************************************************************
** author : Bugliu
** date : 2018-12-04
** description : 对象
** 学习网站 : www.liaoxuefeng.com
**********************************************************************/
// js对象是一种无序的集合数据类型,由若干键值对组成。
var bob = {
name : 'bob',
age : 20,
birth: 1990,
height: 1.80,
'mid-school': 'No.1 Middle School',
score: null
};
// 获取属性值
console.log(bob.name); //bob
console.log(bob['name']); //bob
// 属性名mid-school不是一个有效的变量,就需要用''括起来,访问这个属性也无法
// 使用.操作符,必须用['xxx']来访问。
console.log(bob['mid-school']); //No.1 Middle School
// 访问不存在的属性返回undefined
console.log(bob['mid-school']); //undefined
/* 实际上JS对象的所有属性都是字符串,不过属性对应的值可以是任意数据类型 */
// JS对象是动态类型,可以自由地添加或删除属性。
var ming={
name:'小明'
};
ming.age = 18; // 新增age属性
console.log(ming.age); // 18
delete ming.age; // 删除age属性
console.log(ming); // name: "小明"
console.log(ming.age); // undefined 访问不存在属性
// 检查属性是否在对象中
console.log('age' in ming); //false
console.log('name' in ming);//true
// 不过要小心,如果in判断一个属性存在,这个属性不一定是ming的,它
// 可能是ming继承得到的。
console.log('toString' in ming); //true
/*
因为toString定义在object对象中,而所有对象最终都会在原型链上指向object,
所以ming也拥有toString属性
*/
//判断一个属性是否是对象自身拥有的,而不是继承的,可以用hasOwnProperty()方法
console.log( ming.hasOwnProperty('name') ); //true
console.log( ming.hasOwnProperty('toString') ); //false
相关推荐
ZYNQ新手必看:你的PS端DDR和QSPI配置真的对了吗?从原理到实操的避雷指南
本文深入解析ZYNQ PS端外设配置的关键要点,特别是DDR匹配和QSPI时钟优化的实战技巧。通过详细案例和配置清单,帮助开发者避免常见错误,确保系统稳定性和启动可靠性。适合ZYNQ新手和需要优化最小系统的开发者参考。
JavaScript学习手册四:JS对象
JS对象引言A、对象的创建任务描述相关知识代码文件B、属性的增删改查任务描述相关知识代码文件C、属性的检测和枚举任务描述相关知识代码文件 引言 1、JavaScript是基于对象的语言,在JavaScript中,一切都可以被称为对象,包括字符串、数字、布尔型、HTML Element等。这些JavaScript中已有的对象称为内置对象,而用户自己定义的对象叫做自定义对象。自定义对象是数据和函数(也叫方法)的集合。 2、这里要特别提醒的是,JavaScript虽然也是一门基于对象的语言,但是它实现对象的
linux redis7 完整的集群搭建过程
一。安装: 1.1 说明: Redis官方只提供了源码,并没有提供经过编译之后的安装包。 因此,安装Redis,要先编译、后安装。(即源码安装方式) 注意:需要联网安装 1.2 安装编译的工具: yum install gcc gcc-c++ -y 1.3 下载tar包,上传到linux服务器,解压配置环境变量 1.4 cd +解压的目录下:编译 make 注意:如果编译失败,请重新进行解压编译,...
【JavaScript】4.JavaScript对象
在 JavaScript 中,对象是一组无序的相关属性和方法的集合,所有的事物都是对象,例如字符串、数值、数组、函数等。
告别手册!S32K3XX的eMIOS实战:从GPT定时到PWM输出,一个通道搞定电机控制
本文深入探讨了NXP S32K3XX系列MCU的eMIOS模块在电机控制中的高效应用。通过单通道实现PWM生成、输入捕获和定时中断三大功能,展示了如何简化BLDC电机控制硬件设计。文章结合RTD库与寄存器级编程,提供动态模式切换和性能优化方案,显著降低CPU负载。
高通8155源码下载与Android源码编译
一.下载代码 高通下载源码位置: Qualcomm CreatePoint 注册账号,然后登入 可以先选择edit -> infotainment -> sa8155 -> favorites, 点击View TOC就可以过滤出sa8155所有的信息目录.如下图 拉取代码链接在ChipCode中,点击进去可以看到所有的基线版本,选择你需要下载的版本点进去,如sa8155p-la-1-0_ap_standard_oem,把高通专有代码和开源代码都下载到本机. 1..
JavaScript学习笔记4:对象
1.为什么要有对象? 五大基本数据类型只能表示独立的变量,对象属于一种复合的数据类型,可以把单一的数据属性放在一起,使其同属于一个对象,产生联系。 2.对象的分类: a.内建对象:由ES标准中定义的对象,在任何的ES的实现中都可以使用 常见的有Math,String,Function b.宿主对象: 由Js的运行环境定义的对象 例如,BOM,DOM ab类型的对象不需要开发人员重新建立,即可使...
Python电商网站全站爬虫实战:以京东为例的数据采集与分析
随着电子商务的蓬勃发展,电商数据已成为市场研究、竞争分析和消费者行为研究的重要资源。本文详细介绍了如何使用Python最新技术栈构建一个高效的电商网站全站爬虫,以京东为例实现商品数据的自动化采集。文章涵盖了爬虫的法律与伦理考量、技术选型、反爬虫策略应对、分布式架构设计以及数据存储方案,并提供了完整的代码实现。本爬虫系统采用Scrapy-Redis分布式框架、Selenium动态渲染、智能代理轮换和机器学习验证码识别等先进技术,能够稳定高效地抓取京东全站商品数据,为电子商务研究提供数据支持。关键词。
JavaScript学习(四)——对象
对象的分类: 1.内建对象 ——由ES标准中定义的对象,在任何的ES的实现中都可以使用 ——比如,Math String Number Boolean Function Object.... 2.宿主对象 ——由JS的运行环境提供的对象,目前来讲主要指由浏览器提供的对象 ——比如BOM DOM 3.自定义对象 ——由开发人员自己创建的对象 JS对象的创建:后边的object()是对象的构造函数 var TuBoWen=new Object(); var TuBoWen={}; ...
STM32 HAL PWM (占空比) -电机软启动不到位解决
为了避免电机启动电压大造成设备损坏,或者供电不足导致重启,通常在对启动都需要一个PWM进行软启动,下面对PWM电机软启动详细介绍。
Trae 保姆级使用指南,零基础小白也能实现编程。
Trae 使用指南 Trae AI 使用 零基础编程 满血版 DeepSeek-R1&V3 AI IDE 深度理解中文开发场景 傻瓜式编程 编程入门 开发入门
JavaScript学习手册(四)
这一部分主要讲述JavaScript的算术运算和逻辑运算和基本数据类型的字面量
第1集:面试官视角:AIOps 核心能力模型与面试项目全局搭建【免费试读】
本文介绍了一门面向AIOps工程师的面试实战课程,针对当前运维领域薪资差距明显的痛点,帮助学员系统掌握企业级AIOps平台开发能力。课程承诺提供可直接用于面试和生产环境的代码实现,从零构建模块化AIOps平台。第一集重点讲解了面试官视角下的核心能力模型,并指导学员搭建项目基础环境,包括Python虚拟环境配置、本地大模型部署(Ollama)以及智能巡检Agent的代码实现。课程强调实战导向,通过40集系统讲解,帮助学员实现薪资40-60万的职业跃升。
JavaScript 学习笔记5_条件判断+循环_20181204
/********************************************************************** ** author : Bugliu ** date : 2018-12-05 ** description : 条件判断+循环 ** 学习网站 : www.liaoxuefeng.com ****************************...
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
JavaScript 学习笔记3_数组_20181204
/********************************************************************** ** author : Bugliu ** date : 2018-12-04 ** description : 数组 ** 学习网站 : www.liaoxuefeng.com *********************************...
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
JavaScript 学习笔记2_字符串_20181204
/********************************************************************** ** author : Bugliu ** date : 2018-12-04 ** description : 字符串 ** 学习网站 : www.liaoxuefeng.com ********************************...
假人有限元模型
假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用
JS 数组,对象。中划线、数字属性时值获取
var aa = [{name:'wjc',age:18,'20181204':55,'2018-12-04':66,'56.77':77}]; // 获取name我们通常这样写 aa[0].name //结果: "wjc" // 获取20181204日期的值 aa[0].20181204 //结果:Uncaught SyntaxError: Unexpected number // 正确...
20181204——阮一峰阅读 对象处理 构造函数和new命令
Array对象 push(),pop() push方法用于在数组的末端添加一个或多个元素,并返回添加新元素后的数组长度。注意,该方法会改变原数组。 var arr = []; arr.push(1) // 1 arr.push('a') // 2 arr.push(true, {}) // 4 arr // [1, 'a', true, {}] shift(),unshift() shift方...
ASI-20181204-JavaScript Interface Injection
https://support.google.com/faqs/answer/9095419
20181204——Vuex实践
Vuex 是一个专为 Vue.js 的SPA单页组件化应用程序开发的状态管理模式插件。 由于Vue SPA应用的模块化,每个组件都有它各自的数据(state)、界面(view)、和方法(actions)。这些数据、界面和方法分布在各个组件中,当项目内容变得越来越多时,每个组件中的状态会变得很难管理。这是vuex就派上用场啦~下面我们看一个简单的vuex例子。 单个组件中的状态 假如只是在单个组件中...
20181204——vue-cli#2.0 webpack 配置分析
前言 作为 Vue 的使用者我们对于 vue-cli 都很熟悉,但是对它的 webpack 配置我们可能关注甚少,今天我们为大家带来 vue-cli#2.0 的 webpack 配置分析 vue-cli 的简介、安装我们不在这里赘述,对它还不熟悉的同学可以直接访问 vue-cli 查看 目录结构 . ├── README.md ├── build │ ├── build.js │ ├── ...
Android应用安装核心机制:深度解析PackageManagerService工作原理
PackageManagerService(PMS)是Android系统中负责应用安装、卸载与权限仲裁的核心服务,其本质并非文件操作执行器,而是基于签名验证、URI权限、SELinux策略、OEM定制规则等多维度的策略仲裁中心。它在installPackageAsUser调用中完成请求受理、沙盒准备协同与组件注册三阶段决策,直接影响安装成功率、跨厂商兼容性及安全合规性。理解PMS对content://URI权限校验逻辑(尤其Android 11+的UriGrantsManager变更)、签名兼容性模式(如华
26python成功输出腾讯位置大数据0.00版本
import requests import json #通传入日期和身份号编码获取数据 def get_data(date,id_card): url = "https://lbs.gtimg.com/maplbs/qianxi/{}/{}16.js?" \ "callback=JSONP_LOADER&_=1544629917954".format(date,id_card) res = requests.get(url) return res.t.
27python 通过反推 得知heat.qq.com自2019年8月21日停止接口访问
import requests import json #通传入日期和身份号编码获取数据 def get_data(date,id_card): url = "https://lbs.gtimg.com/maplbs/qianxi/{}/{}16.js?" \ "callback=JSONP_LOADER&_=1544629917954".format(date,id_card) res = requests.get(url) return res.t.
程序练习生
程序员健康指南 Linux 文件处理、查找文件、文件清理、磁盘空间、磁盘管理; `ls -l`命令;目录树、文件树;scp传输文件;tar打包文件; Linux手册;软链接;export, dpkg, apt; 终端Terminal分屏:Terminator、tmux; 定时任务;top命令;进程`ps aux|grep xxx`; 远程控制 ubuntu; vim, nano, Notepad++; shell教程,sh脚本; 硬盘挂载mount ntfs disk; API documentation;
445



被折叠的 条评论
为什么被折叠?



