promise的一些特点

TI 实时操作系统SYS/BIOS使用总结 1:概述: SYS/BIOS 是一个可扩展的实时的操作系统。具有非常快速的响应时间(在中断和任务切换时达到较短的延迟),响应时间的确定性,强壮的抢占系统,优化的内存分配和堆栈管理(尽量少的消耗和碎片)。能够实现系统的模块化并可裁剪。 最大的特点就是:实时。 2:XDCtools: XDCtools 是SYS/BIOS引用的一种实时的软件组件技术(RTSC),它包括一些有用的工具,标准的AP 阅读详情

promise基本概念

//resolve进入then,reject进入catch
new Promise(function (resolve, reject) {
    resolve(123);
}).then(function (res) {
    console.log(res)//123
})

new Promise(function (resolve, reject) {
    reject(456);
}).catch(function (res) {
    console.log(res)//456
})

1.promise状态无法改变

new Promise(function (resolve, reject) {//console.log(123)
    resolve(123);
    reject(456)
}).then(function (res) {
    console.log(res)//123
}).catch(function (err) {
    console.log(err)
})

new Promise(function (resolve, reject) {//console.log(456)
	reject(456);
    resolve(123);
}).then(function (res) {
    console.log(res)
}).catch(function (err) {
    console.log(err)
})

2.如果.then(function (res)) res不是个函数,会发生值穿透,进入下一个then

new Promise(function (resolve, reject) {
    resolve(123);
}).then('asadass2').then(function (res) {
    console.log(res)//123
})

3.promise是个同步.then.catch是个异步

new Promise(function (resolve) {//1,2,456
	resolve(456);
    console.log(1)
}).then(function (res) {
    console.log(res)
})
console.log(2)

4 链式调用then,上一个then的返回值是下一个then接收到的参数,如返回错误,返回reject的promise

//第一个then才能接收到 123 第二个then没有值的,返回undefined ,如果想要第二then有值,
//只能return
new Promise(function (resolve, reject) {
    resolve(123);
}).then(function (res) {
    console.log(res)//123
}).then(function (res) {
    console.log(res)//undefined
})

//正确写法
new Promise(function (resolve, reject) {
    resolve(123);
}).then(function (res) {
    console.log(res)//123
    return 456
}).then(function (res) {
    console.log(res)//456
})

注意:promise内部使用try catch,所以错误信息 (throw new Error(‘err’))抛出错误才会进入catch,如果是(return new Error(‘err’)),则进入catch

5.then的回调里return一个promise进入等待状态,直到return的promise状态改变

new Promise(function (resolve) {
    resolve();
}).then(function (res) {
    return new Promise(function(resolve){
        setTimeout(function(){
            resolve(4)
        },3000)
    })
}).then(function (res) {
    console.log(res)////会等到三秒后才会返回4
})
机器学习与深度学习基础概念 本篇主要介绍机器学习主要概念,包括不限于标签、特征、样本、训练、模型、回归模型、分类模型、泛化、过拟合、预测、平稳性、训练集、验证集、测试集。 阅读详情

相关推荐

平面变压器PCB绕组设计实战:从原理到布局的工程考量

本文深入探讨了平面变压器PCB绕组设计的工程实践,从基础原理到布局优化,涵盖了电流密度、层间绝缘、绕组拓扑结构等关键参数。通过实战案例分享,解析了高频应用中的集肤效应、邻近效应等挑战,并提供了热管理和EMC优化的实用技巧,助力工程师在服务器电源、车载充电器等空间敏感场景实现高效设计。

weixin_42666036的博客 462

Promise

一、定义: 所谓Promise,简单说就是一个容器,里面保存着某个未来才会结束的事件(通常是一个异步操作)的结果。从语法上说,Promise 是一个对象,从它可以获取异步操作的消息。 Promise对象有以下两个特点。 (1)对象的状态不受外界影响。Promise对象代表一个异步操作,有三种状态:pending(进行中)、fulfilled(已成功)和rejected(已失败)。只有异步操作的结果,可以决定当前是哪一种状态,任何其他操作都无法改变这个状态. 2)一旦状态改变,就不会再变,任何时候都可以得到这

weixin_44932552的博客 534

Cesium中实现GPU计算的泥石流地形侵蚀

通过模拟分析,可以提前识别可能发生泥石流的区域,为防灾减灾提供依据,及时发布预警,避免或减少人员伤亡和财产损失。:在建设公路、桥梁、水库等基础设施时,通过泥石流模拟分析,可以预测泥石流可能对这些设施的影响,帮助工程设计者采取合适的防护措施,确保设施的安全性。:模拟分析有助于为灾后救援工作提供科学依据,确定受灾区域的范围、救援难度等,为救援队伍制定合理的行动方案,提升救援效率。:泥石流是山区常见的地质灾害之一,通过模拟分析可以评估某一地区发生泥石流的风险,指导土地使用规划、人口迁移等决策。

weixin_43481439的博客 1322

ES6特性:Promise

Promise 1、简介 Promise 是异步编程的一种解决方案,比传统的解决方案(回调函数和事件)更合理和更强大。 所谓Promise,简单说就是一个容器,里面保存着某个未来才会结束的事件(通常是一个异步操作)的结果。 从语法上说,Promise 是一个对象,从它可以获取异步操作的消息。 Promise 提供统一的 API,各种异步操作都可以用同样的方法进行处理。有了Promise对象,就可以将异步操作以同步操作的流程表达出来,避免了层层嵌套的回调函数。 Promise对象提供统一的接口,使得控制异步操

lalala_dxf的博客 521

浅谈“无人机通感一体化(ISAC)”

总的来说,通信和感知一体化是一个循序渐进的过程,是未来一个比较有潜力的发展场景,当然,需要研究的内容有很多,面临的挑战也有很多,但是它值得我们去探索和学习!

m0_69182322的博客 4208

从零到一:AIC8800 USB-WiFi模块在Linux内核6.x下的驱动适配与避坑指南

本文详细介绍了AIC8800 USB-WiFi模块在Linux内核6.x下的驱动适配全流程,包括环境准备、源码编译、内核API变更处理及常见问题解决方案。重点针对驱动适配中的符号导出、设备ID识别和固件加载等核心挑战提供实用指南,帮助开发者高效完成硬件驱动兼容性调试。

k8l9m0n的博客 1035

promise 特点及使用

名词约定 Promises的概念是由CommonJS小组的成员在Promises/A规范中提出来的。一般来讲,有以下的名词约定: promise(首字母小写)对象指的是promise实例对象 Promise首字母大写且单数形式,表示Promise构造函数 Promises首字母大写且复数形式,用于指代Promises规范 为什么有promise 同步的方式写异步的代码,用来解决回调地狱问题。 此外,promise对象提供统一的接口,使得控制异步操作更加容易。 什么是promise Promise,简

Huang_DW的博客 907

【ArcGIS风暴】Win10操作系统ArcGIS许可License无法启动的解决方法汇总(绝对成功!)

文章目录1. 关闭Windows Defender2. 关闭系统防火墙3. 删除迈克菲(McAfee)杀毒软件4. 在系统服务中启动 在安装ArcGIS软件时,最重要的一步是许可服务的正常启动,通常,由于各种各样的原因,ArcGIS许可管理器License Manager十有八九会无法启动,点N多次都没反应,如果许可服务不能如愿启动的话,即使Desktop安装成功,也是无法打开的。本文汇总了Win10操作系统之上ArcGIS安装过程中可能会导致服务无法启动的原因及解决办法。 ArcGIS安装参考教程:

智慧空间实验室 2万+

Promise(微任务)- 让你看完就懂

Promise(微任务)- 让你看完就懂

weixin_43856422的博客 1293

【Unity实战篇 】| Unity实现 文本框可以自适应大小,到达最大宽度之后再缩小字体

Unity实现 Text文本框可以自适应大小,到达最大宽度之后再缩小字体 需求:在文本框可以自适应大小拉伸的前提下,增加一个最大限制宽度,使其到达最大宽度后 再启用 Best Fit 实现自适应改变文字大小以适应文本框的大小。 在Unity中经常会用到文本组件的自适应大小功能,一般使用HorizontalLayoutGroup和ContentSizeFitter组件配合即可实现文本自适应的效果。

努力前行,总会成为自己心中的那道光 3万+

智慧社区:安防系统解决方案

智慧社区:安防系统解决方案

s13166803785的博客 434

promise的特点、缺点、fulfilled

两个特点 (1)对象的状态不受外界影响 解释:以异步操作ajax和setTimeout为例,服务端什么时给接口前端根本控制不了,所以不受外界影响。 (2)

MCCLS的博客 4264

OSG第三方库编译之二十一:minizip编译(Windows、Linux、Macos环境下编译)

OSG编译;第三方库;跨平台编译;minizip编译(Windows、Linux、Macos环境下编译)

LuckyHanMo的博客 2627

promise的特点

promise是什么? Promise 是异步编程的一种解决方案,比传统的解决方案,例如回调函数、事件等更合理和更强大。Promise简单说就是一个容器,里面保存着一个异步操作的结果。 特点: 对象的状态不受外界影响。 一旦状态改变,就不会再变,任何时候都可以得到这个结果 缺点: 无法取消Promise,一旦新建它就会立即执行,无法中途取消。 如果不设置回调函数,Promise内部抛出的错误,不会反应到外部。 当处于Pending状态时,无法得知目前进展到哪一个阶段(刚刚开始还是即将完成)。 Pro

PJW_WYB的博客 296

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

promise特点

1.Promise 的含义 Promise 是异步编程的一种解决方案 所谓Promise,简单说就是一个容器,里面保存着某个未来才会结束的事件(通常是一个异步操作)的结果。从语法上说,Promise 是一个对象,从它可以获取异步操作的消息。Promise 提供统一的 API,各种异步操作都可以用同样的方法进行处理。 Promise对象有以下两个特点 (1)对象的状态不受外界影响。Promise对象代表一个异步操作,有三种状态:pending(进行中)、fulfilled(已成功)和rejected(已失败)

龚珂心的博客 1477

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

promise特点和解决信任问题

Promise的信任问题和几个关键问题 文章目录Promise的信任问题和几个关键问题1.Promise的信任问题1.1信任问题1.2信任问题产生的原因1.2.1调用过早1.2.2调用过晚1.2.3回调未调用1.2.4调用次数过少或过多1.2.5未传递参数、环境值2.Promise的几个关键问题2.1怎么改变Promise的状态2.2Promise 指定多个回调2.3Promise 改变状态与指定回调的顺序问题2.4Promise.then方法的返回结果特点2.5异常穿透 ☀️作者简介:大家好我是言不及行

m0_51311990的博客 3344

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 Promise对象 的部分使用特点

/ resolve函数// do some}, e => {// reject函数// do some})代码中上面是创建Promise的过程。创建Promise时接受一个函数作为参数,这个函数就是作为Promise异步执行的主要函数。else执行结束后,执行resolve(成功)或者reject(失败)这两个函数。这两个函数就定义在.then的参数中。如果Promise没有执行resolve(成功)或者reject(失败),那么.then中的内容永远不会执行,这样就实现了异步操作。

2501_90250949的博客 946

promise的介绍和特点

在现代的Web开发中,异步编程已经成为了一种必备的技能。传统的回调函数方式已经难以满足复杂的业务需求,而Promise作为一种更加优雅和可读性更高的异步编程解决方案,逐渐在开发者中流行起来。

qq_73992463的博客 327

promise对象的特点

1、Promise是一个构造函数 理解成一个容器 ,保存着未来才会结束事情(异步操作)的一个结果 特点: (1)对象的状态不受外界影响 处理异步操作有三个状态 (2)一旦状态改变,就不会再变,任何时候都可以得到这个结果 Pending(进行中) Resolved(成功) Rejected(失败) 调用 promise 对象的 then 方法(由Pending到Resolved 状态的改变) then方法其实就是接收当前执行异步操作成功后的一个结果 then方法里面接收两个回调函数 第一

weixin_47315766的博客 556

Promise的特点和基本用法

如大家所了解的,Promise 是异步编程的一种解决方案,比传统的解决方案——回调函数和事件——更合理和更强大。ES6 规定,Promise 对象是一个构造函数,用来生成 Promise 实例。2、 Promise的基本用法。1、Promise 的特点。

Sala4528的博客 200

promise的特点,基本语法和程序执行特点

promise 1 promise 程序执行的特点 1: new Promise中的回调函数是同步执行的 2: 原型方法的回调函数,都是异步执行的, 属于异步消息队列中的微任务.(then catch finally) 2 promise有三种状态 pending —> res pending —> rej resolve/ fulfilled 已接收 reject 已拒绝 peomise api 分类 原型api res: p.then() p.finally() r

m0_65169658的博客 228

Promise的特点以及在项目中的应用

一、了解Promise 前言: 首字母小写promise:指的是Promise实例对象 首字母大写且单数形式Promise:表示Promise构造函数 首字母大写且复数形式Promise:指代Promises规范 为什么使用promise? 同步的方式写异步的代码,用来解决回调地狱问题。此外,promise对象提供统一的接口,使得控制异步操作更加容易。 ———————————————————————————————————————————————————————— 1、 promise是什么? Pro

L289121的博客 1253

promise 特点总结

promise对象是ecmascript6新增的一个重要特性,与async.js,yield作为前端异步解决方案在nodejs编写过程中提供了很大便利,这篇文章主要是对promise的适用场景做了一些个人的总结。

sinat_23981577的博客 524

promise(特点,项目中如何应用)

一、Promise Promises的概念是由CommonJS小组的成员在Promises/A规范中提出来的。一般来讲,有以下的名词约定: **promise(首字母小写)**对象指的是Promise实例对象 Promise首字母大写且单数形式,表示Promise构造函数 Promises首字母大写且复数形式,用于指代Promises规范 二、什么是promise Promise,简单说就是一个容器,里面保存着某个未来才会结束的事件(通常是一个异步操作)的结果。 从语法上说,promise 是一个对象,从它

lijiangzhao的博客 698

promise(特点,项目中如何应用)

** promise ** 一、promise是什么 简单来说promise就是构造函数,它就是为了解决异步编程的一种解决方案 promise有三种状态: 初始状态 pendind 操作成功 fulfilled 操作失败 rejected Promise 对象的状态改变,只有两种可能: 1、从pending变为fulfilled,就是将promise对象的状态从初始状态变为了成功状态,也就是异步操作成功时会调用,将异步操作的结果作为参数传递出去 还有一种可能就是 2.从pendin

FengYang_的博客 682
上一篇: react 微信公众平台实现支付功能
下一篇: antd ConfigProvider全局化配置转换为中文
chenxiang0708
博客等级 码龄8年 0粉丝 32原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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