[JS]JavaScript一张图引发的深思

本文解析了JavaScript中基本数据类型与引用数据类型的存储方式,解释了栈内存与堆内存的区别,以及==与===运算符在类型比较上的差异。

很早以前在掘金沸点看到一张图,很有意思就发了朋友圈。结果很多朋友问我为什么。
(好吧,其实我只是不知道这周写什么内容了)。
就围绕这张图,我们扒扒JavaScript的基本数据类型和引用数据类型、栈内存和堆内存、==和===的区别。

为什么!

因为var avar b是引用类型,它们在栈内存中存放地址指针,在堆内存中存放值;而var c是JavaScript的基本数据类型,String类型,所以它直接在栈中存放值。

var a=[1,2,3];
console.log(a.toString());     //"1,2,3"
a.toString()==c;   //true

a==c;的时候,因为==比较的时候,会将两个比较的值转换为同一类型进行比较是否相同,所以在比较的时候其实var a会被调用toString()的方法,其结果为:"1,2,3";然后将var a再与var c进行比较。结果返回当然是true。

b==c的时候,同上。

a==b的时候,因为var avar b都是引用类型,所以当它们==比较的时候,比较的是它们栈内存中的地址是否相同。而因为它们各自的地址不同,结果当然是返回false。

知识点补充包

我们粗略的知道了为什么会呈现出图片中的结果。但有的童鞋可能没有相关的知识储备,看的比较吃力。所以我们来补充下这张图所涵盖的知识点。

5种基本数据类型和引用数据类型

栈内存和堆内存

JavaScript中的5种基本数据类型包括:

1、String

2、Number

3、Boolean

4、Undefined

5、Null

基本数据类型,因为它们占用的存储空间有固定的大小,所以直接存储在栈内存中。基本类型在当前执行环境结束时销毁。

而除了以上的基本数据类型以外,都是引用数据类型,例如:数组Array,Object类型,Function类型。而引用类型不会随执行环境结束而销毁,只有当所有引用它的变量不存在时这个对象才被垃圾回收机制回收。

var a;
var b;
function fun(){
    var c=[1,2,3];
    var d="hello";  //基本数据类型
    a=c;         //将c的地址,赋值给a
    b=d;        //将d的值赋值给b
}
fun();
a;             //Array(3) [ 1, 2, 3 ],此时因为变量a还引用着c的值,所以在堆内存中c的值还未被回收
b;             //"hello",此时b是直接将d的值复制过来,因为b是String类型,是基本数据类型,b直接将值"hello"存储在栈内存中,而d的值在方法执行完以后,已经被销毁。

以上,我们也就讲清楚了JavaScript的基本数据类型和引用数据类型的区别,还有它们与栈内存和堆内存的关系。

复盘:

1、基本数据类型直接将值存在栈内存中。

2、基本类型在当前执行环境结束时销毁。

3、引用数据类型在栈内存中存放地址,将值存在堆内存中。

4、引用类型不会随执行环境结束而销毁,只有当所有引用它的变量不存在时这个对象才被垃圾回收机制回收。

==和===的区别

“==”:表示等于(值),如果两个值的类型不同,会通过强制转换类型,转换成同类型后比较它们转换后的值是否相同。相同返回true,不相同返回false。

“===”:表示等于(值和类型):

如果两个比较的类型不同,直接返回false;

如果两个比较的值类型相同,但它们值不相同,返回false;

如果两个比较的值类型相同,而且它们的值也相同,返回true;

我是大麦,如果喜欢的文章,请给我一个小心心。

基于 NSFW Model 色情图片识别鉴黄 后面更新视频检测 项目背景: 随着互联网的快速发展,网络上的信息量呈现出爆炸式的增长。然而,互联网上的内容良莠不齐,其中不乏一些不良信息,如色情、暴力等。这些信息对青少年的健康成长和社会风气产生了不良影响。为了净化网络环境,保护青少年免受不良信息的侵害,我国政府加大了对网络内容的监管力度。在此背景下,本项目应运而生,旨在实现对网络图片和视频的自动识别与过滤,助力构建清朗的网络空间。 项目简介: 本项目基于 NSFW(Not Safe For Work)Model,利用深度学习技术对色情图片进行识别与鉴黄。NSFW Model 是一种基于卷积神经网络(CNN)的图像识别模型,通过学习大量的色情图片和非色情图片,能够准确地判断一张图片是否含有色情内容。本项目在 NSFW Model 的基础上,进一步优化了模型结构,提高了识别的准确率和效率。 项目功能: 色情图片识别:用户上传图片后,系统会自动调用 NSFW Model 对图片进行识别,判断图片是否含有色情内容。如果含有色情内容,系统会给出相应的提示,并阻止图片的传播。 视频检测:针对网络视频,本项目采用帧提取技术,将视频分解为一帧帧图片,然后使用 NSFW Model 对这些图片进行识别。如果检测到含有色情内容的图片,系统会给出相应的提示,并阻止视频的传播。 实时监控:本项目可应用于网络直播、短视频平台等场景,实时监控画面内容,一旦检测到含有色情内容的画面,立即进行屏蔽处理,确保网络环境的纯洁。
### 如何在本地部署 NSFW 模型或服务 要在本地环境中成功部署 NSFW(不适宜工作场合内容)检测模型或服务,以下是详细的说明: #### 准备环境 为了确保能够顺利运行模型和服务,需要安装必要的依赖项。这些工具和库包括但不限于以下几类: - **Python 环境**: 推荐使用 Python 3.7 或更高版本。 - **Transformers 库**: 提供加载预训练模型的功能[^1]。 - **PyTorch/TensorFlow**: 支持深度学习框架的计算需求。 - **Pillow (PIL)**: 处理图像文件并将其转换为适合输入模型的形式。 具体命令如下所示: ```bash pip install transformers torch Pillow ``` #### 加载模型与测试 通过 Hugging Face 的 `transformers` 工具包可以直接访问已有的 NSFW 图片分类模型。例如,可以采用名为 `"Falconsai/nsfw_image_detection"` 的公开模型来完成此任务[^1]。 下面是一个简单的代码片段展示如何加载该模型并对单张图片执行预测操作: ```python from PIL import Image from transformers import pipeline def classify_nsfw(image_path): # 打开指定路径下的图片文件 img = Image.open(image_path) # 初始化 image-classification 流水线对象,并指明使用的特定模型名称 classifier = pipeline("image-classification", model="Falconsai/nsfw_image_detection") # 对传入的图片调用流水线方法得到其类别标签及其置信度分数列表形式的结果 result = classifier(img) return result if __name__ == "__main__": test_img_path = "<your_test_image>" output_results = classify_nsfw(test_img_path) print(output_results) ``` 注意替换 `<your_test_image>` 成实际存在的图片绝对或者相对地址字符串值之前再尝试运行以上脚本。 #### 构建 RESTful API 服务 如果希望进一步扩展功能至 Web 应用程序层面,则可考虑利用 Flask/Django 这样的轻量级 web 开发框架构建起支持 HTTP 请求交互的服务端接口。这里给出基于 FastAPI 实现的一个简单例子作为示范用途: ```python import uvicorn from fastapi import FastAPI, File, UploadFile from PIL import Image from io import BytesIO from typing import List from pydantic import BaseModel app = FastAPI() class Prediction(BaseModel): label: str score: float @app.post("/predict/", response_model=List[Prediction]) async def predict(file: UploadFile = File(...)): try: contents = await file.read() pil_image = Image.open(BytesIO(contents)) clf_pipeline = pipeline('image-classification', model='Falconsai/nsfw_image_detection') predictions = clf_pipeline(pil_image) formatted_preds = [{"label": pred['label'], "score": round(pred['score'], 4)} for pred in predictions] return formatted_preds except Exception as e: raise ValueError(f"Error processing uploaded file {e}") if __name__ == '__main__': uvicorn.run(app, host='0.0.0.0', port=8000) ``` 启动服务器之后即可向 `/predict/` 路径发送 POST 请求附带上传待分析的目标图片获取返回结果了。 ---
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