墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
3.7k累计阅读
3.7k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
在编程开发的过程中，输出信息是非常必要的。JS中提供了四种输出方式：弹出显示框、控制台输出、弹出输入框、弹出判断显示框
这种方式在上一篇笔记中已经详细介绍，有需要学习的朋友可以跳转到第一篇笔记学习：【JavaScript学习笔记1】JavaScript书写格式-编写第一个JavaScript程序
使用console.log() / console.warn() /console.error()
控制台输出一般都是提供给开发者使用的。在开发工程中，开发者可以通过控制台输出信息进行Debug，验证信息，警告输出，错误输出等
因此，在编写代码的时候可以选择性地编写控制台输出信息，一旦程序出现异常，开发者可以通过控制台检索到出现Bug的地方。
使用prompt()
用于接收用户输入的信息
使用comfirm() 显示信息，一般与If 判断语句一起使用
以上仅作为本人学习JS的笔记记录，如果有地方表达不正确，欢迎各位大神指点迷津。
JavaScript
数据标注工具：AiLabel.js实现标注 超详细教程 案例分享
背景：在前端开发过程中难免遇到针对图片的缩放平移；以及在图片上进行矢量数据、文本、标注的展示；如果你有上面的任何需求，恭喜你，找到组织了.... 在此背景下，AILabel.js出生了。 前面文章我们已经介绍过AiLabel.js了； https://blog.youkuaiyun.com/u012967771/article/details/113148527 npm下载地址：https://www.npmjs.com/package/ailabel github地址:https://github.com/d.
Web前端之JavaScript如何获取浏览器控制台打印出来的完整数据、console、log
Web前端之JavaScript如何获取浏览器控制台打印出来的完整数据、console、log
RK3588与银河麒麟V10 SP1 2403深度适配：国产化硬件与操作系统的完美融合
本文深入探讨了RK3588处理器与银河麒麟V10 SP1 2403操作系统的深度适配，展示了国产化硬件与操作系统的完美融合。通过性能验证和实际应用测试，证明了这套组合在多媒体处理、AI推理和日常办公中的卓越表现，实现了完全自主可控的计算平台。
JS控制台输出，别只会 console.log 了
控制台输出别只会 console.log ，其实Console 对象还提供了许多浏览器调试方法。比如：console.warn() 、console.error、console.info()...
MIC（Maximal Information Coefficient）最大互信息系数
MIC（Maximal Information Coefficient）最大互信息系数是一种用于衡量两个变量之间相关性的统计量。它扩展了传统的互信息（MI）和条件互信息（CMI）的概念，具有更广泛的应用范围。MIC能够捕获包括功能性和非功能性的广泛的关联，具有普遍性和公平性。普遍性意味着在足够的样本量下，MIC能够捕捉到广泛的相关关系，而不仅仅局限于特定的功能类型；公平性则意味着MIC对不同类型的包含同等噪声的关系给出了相似的分数。需要注意的是，虽然MIC具有很多优点，但它也有一些局限性。
FFmpeg HDR视频转SDR视频命令
之前蓝光盘电影多是AVC 1080p 8bit SDR格式视频，近两年4K电影流行，下载的蓝光电影多是HEVC 2160p 10bit HDR视频格式。 ffprobe查看有如下属性： # 10bit HDR Stream #0:0(eng): Video: hevc (Main 10), yuv420p10le(tv, bt2020nc/bt2020/smpte2084), 3840x2160 [SAR 1:1 DAR 16:9], 23.98 fps, 23.98 tbr, 1k tbn, 23.98
Javascript怎么输出内容？两种常见方式以及控制台介绍
控制台是现代浏览器中的内置调试器，熟练的web开发人员会经常使用console.log()在其代码中打印消息和调试问题。控制台（console）主要是用来显示网页加载过程中产生各类信息；在测试界面时，如果出现bug问题，一般情况下会在这栏展示，查看调试日志信息或者异常错误信息，然后前端开发工程师根据具体问题来调试，进行解决问题。发者工具中的控制台（Console）主要是用来显示网页加载过程中产生各类信息。
微信小程序获取用户手机号全流程实战（附完整代码）
本文详细介绍了微信小程序获取用户手机号的全流程实战，包括前端授权、后端解密及安全合规要点。通过传统授权按钮和新版手机号快速验证组件两种方案，帮助开发者高效实现功能，并附完整代码示例。重点解析了微信小程序接口的使用技巧和常见问题解决方案，确保数据安全与用户体验。
JavaScript ,控制台 console 多种不同类型输出
JavaScript 代码调试控制台 ，console 多种不同类型输出
基于 OptiSystem 的掺铒光纤放大器（EDFA）分析
通过构建 EDFA 仿真模型，系统分析了铒离子掺杂半径、离子浓度、光纤长度及泵浦功率等关键参数对放大器增益和噪声特性的影响规律，为 EDFA 的优化设计提供了理论依据与仿真支撑。继续增大至 9μm，增益趋于稳定（约 19dB）。继续增加至 200mW，增益仅增加 2dB，表明泵浦功率存在阈值效应（约 100mW），超过后增益饱和明显。：作为增益介质，主要参数包括光纤长度（5~50m）、铒离子掺杂半径（1~10μm）、离子浓度（1×10²⁵~5×10²⁵m⁻³）、纤芯半径 2.2μm、数值孔径 0.24。
华为OD面试八股真题 - 操作系统相关 - 2
华为OD技术面，操作系统相关八股真题提供详细解答，这篇博客主要涉及于进程和线程相关知识点
JS 的三种输出方式
alert() 语句：可以输出警告框。具有弹框效果。
论文阅读：arixv 2025 Poisoning Attacks on LLMs Require a Near-constant Number of Poison Samples
研究者做了目前最大规模的“投毒实验”，训练了从6亿参数到130亿参数的模型（覆盖了中小到大型LLM），用的训练数据量也是“最适合模型大小”的（按行业里的“Chinchilla法则”，模型越大，训练数据量也按比例增加）。总结下来就是：这篇论文告诉我们，给大语言模型投毒，比之前想的容易得多——不需要海量毒数据，只要几百条藏好后门的文档，就能让大模型“带毒工作”，而且平时还看不出来。——这比之前大家担心的“需要投毒数据占训练集一定比例”要可怕得多，因为对大模型来说，“固定数量”的毒数据更容易偷偷塞进去。
JavaScript 输出方式
JavaScript 输出方式
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
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的输出方式大全
JavaScript输出大全 我总结的javascript输出工具以及用法和解释，宝子们 ，快快拿去把~~
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
JavaScript中控制台输出信息的方法
控制台输出信息的方法
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
JS学习2-JS输出方式
会阻塞 JavaScript 代码的执行，直到用户关闭警告框才会继续执行后续代码，所以不要滥用。这是 JavaScript 中最常用的输出方式，它可以将信息输出到浏览器的控制台。主要用于调试和测试，可以输出各种类型的数据，例如字符串、数字、对象、数组等。主要用于动态生成 HTML 内容，例如根据用户的输入生成不同的页面内容。用于动态生成 HTML 内容，直接写入到 HTML 文档中，谨慎使用。主要用于动态更新页面内容，例如根据用户的操作更新页面的显示信息。用于修改 HTML 元素的内部内容，动态更新页面。
js控制台输出console
console.log(object[, object, ...]) 在控制台输出一条消息。如果有多个参数，输出时会用空格隔开这些参数。 第一个参数可以是一个包含格式化占位符输出的字符串，例如： console.log("The %s jumped over %d tall buildings", animal, count); 上面的例子可以用下面的无格式化占位符输出的代
JavaScript常见的的输出方式
JavaScript常见的的输出方式 1.通过弹窗的形式输出 警告框 window.alert("输出内容"); 确认框 window.confirm("确认信息的标题"); 提示框 window.prompt("提示框标题","默认输出内容"); 以上三种方式的window可以省略。 2.通过网页的内容区域形式输出 documen.write("输出的内容"); 注意:因为document.write()是直接向文档中添加内容，所以当js文件中使用了window.οnlοad=function()
JavaScript在控制台常见的报错信息
当新手在写JS代码时常常遇到控制台报错的问题就会手足无措，不知道怎么解决，现在这篇文章将会介绍JS控制台的报错。
JavaScript的四种输出语句（一些使用细节）【js学习笔记1】
将某些东西打印到控制台最常见方法是简单地使用一个参数调用console.log()，有时我们可能想要打印一条包含多个信息。幸运地是，console.log()可以使用%s,%i 等说明sprintf()格式化字符串。我们可以通过将％c说明符与相应的CSS样式结合使用来实现。说明符％c应用CSS样式’font-size: 36px;浏览器控制台允许我们将样式应用于打印的消息。说明符作用%s元素转换为字符串。%d 或 %i元素转换为整数。%O元素以最有效的格式显示。%c应用提供的CSS。
JS三种输出方式
JavaScript复习 这是javaScript内容。
logger2js - JavaScript日志与调试工具库
logger2js是一款增强型前端JavaScript日志与调试工具库，提供彩色日志输出、性能测试、调用栈追踪等强大功能。该库支持配置化引入，包含5种皮肤风格和丰富的API接口，如$alert增强方法、$PF性能分析工具和$FT调用栈追踪等。控制台界面可拖拽调整，具备代码高亮、格式化、搜索等特性，并支持多种快捷键操作。通过简单引入logger.js文件即可提升前端开发调试效率，是开发者进行问题定位和性能优化的得力助手。
JavaScript——JS的引入方式
JavaScript——我的第一个JavaScript程序以及JS的引入方式 初识JavaScript JavaScript（简称JS）是一种属于网络的高级脚本语言,已经被广泛用于Web应用开发,常用来为网页添加各式各样的动态功能,为用户提供更流畅美观的浏览效果。通常JavaScript脚本是通过嵌入在HTML中来实现自身的功能的 我的第一个JS程序 <!DOCTYPE html> <html lang="en"> <head> <meta charset=
javascript输出信息的5种方式
1. alert()方法 <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>Document</title> <!-- 在页面弹出对话框 ，早期调试JS使用--> <script type="text/java...
JavaScript学习笔记 1】初识JS
一、JS是什么？ 二、JS的作用？ 三、JS的组成 四、JS的书写位置 五、JS的注释与结束符 六、JS的输入和输出语法 七、JS代码的执行顺序 八、字面量 九、 总结
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
9365
扫一扫
