JavaScript总结-细节

VSLAM框架对比 格VSLAM特点介绍: (一)ORB-SLAM2 (二)ORB-SLAM3 (三)LSD-SLAM (四) 阅读详情

前言

根据上一篇博客给大家做了一个整体的框架的描述,这一篇博客主要是针对JavaScript中不同模块主介绍


数据类型

字符串类型,与后端的字符串是一样的

var carname="wangmein"
var carname='wangmein'  //可以使用单引号也可以使用双引号

number类型,与后端的int floot是一样的

var y=123e5;      // 12300000
var z=123e-5;     // 0.00123

布尔类型,与后端的boolean是一样的

var x=true;
var y=false;

数组类型,与后端的数组是一样的

var cars =new Array();
cars[0]="aa";
cars[1]="Saab"

对象类型,对象类型,对象类型有使用规范1。需要使用花括号,2对象名:值对,属性之间用逗号隔开

var person={firstname:"json",lastname:"wang"}

解释undefined和Null的区别,undefined表示变量里面不含有值,null表示把变量的值设置为空,undefined发生有两种情况1。真的没有定义,2没有赋值

如果要想看自己属于什么类型的可以使用typeof来进行检测自己的类型


转义字符

在项目中有很多人都用过转义字符,简单给大家发一张图片
这里写图片描述


获取元素方法汇总

getElementsById:表示这个方法将返回一个与对应id属性的节点对象

document.getElementById('demo') //demo是元素对应的ID

getElementsTagName: 该方法返回一个对象数组,表示返回html文档中指定的名称元素

document.getElementsTagname("li")
document.getElementById("id").getAttribute("calss");//获取id的对象的class的值

通过子节点的值

childNode.parenNode.,获取已知父节点的节点

document.getElementsByTagName(tagName)该方法是通过节点的Tag获取节点


运算符

算数元素符:其实跟我们后台的代码一样

var b = a++; 
var b=a--

赋值运算符元素符:跟后台代码一样,不解释了

比较运算符:一般都是返回的true或者是false,主要说一下===与==的区别。===表示类型要相同而且值也要相同,而==表示只要值相同就可以,他不会考虑类型


事件


1. onload:页面加载完成触发的事件
2. onresize:调整浏览器的大小时触发事件
3. onchange:当元素触发时改变事件
4. onfocus:当元素获得焦点时触发事件
5. onselect:当选种元素时触发事件
6. onsubmit:用户提交表单时触发事件
7. onclick:当触发鼠标点击时触发事件
8. onmouserover 鼠标移入时触发事件
9. onmouserout 鼠标移除时触发事件
10. onmousedown 按下鼠标时触发事件
11. onmouseup 松开鼠标触发事件
12. onmousemove 移动鼠标触发事件
13. onmousewheel 用户滚动鼠标滚轮触发事件
14. onkeydown 用户按下键盘按键时触发事件
15. onkeyup 用户松开按键时触发事件


总结

对于JavaScript还有很多没有深入的地方,希望通过以后的项目实践可以达到一定的水平,巩固不负有心人!收获的过程不是一个痛苦的过程!

炼丹-Pyecharts: JupyterLab无法render_notebook 炼丹-Pyecharts: JupyterLab无法render_notebook问题描述Jupyter-Lab 环境下render_notebook显示空白 问题描述Jupyter-Lab 环境下render_notebook显示空白 首先需要使用pyecharts自带的config来申明一下使用pyecharts的运行环境 from pyecharts.globals import Curre... 阅读详情

相关推荐

STM32硬件SPI驱动ADS1220实战:从零搭建高精度数据采集系统(附避坑指南)

本文详细介绍了使用STM32硬件SPI驱动24位高精度ADC芯片ADS1220的完整实战方案。内容涵盖从硬件设计、CubeMX工程配置、SPI通信底层实现到数据读取策略与性能优化的全流程,并重点分享了多通道切换、噪声抑制等关键避坑指南,帮助开发者构建稳定可靠的高精度数据采集系统。

o4p5q6r7s的博客 454

JavaScript 类型细节整理

javascript的类型相对来说比较简单,但也有一些容易遗漏的细节。有一个说法是:程序 = 算法 + 数据结构,运行时类型包含了所有 JavaScript 执行时所需要的数据结构的定义,所以我们要对它格外重视。......

qq_41268872的博客 502

关于并网继电器的继电器自检逻辑及实现方式

对于常规的光伏并网逆变器来说,继电器控制至关重要。继电器一般位于逆变电感后,共模电感前,用于将逆变电压与电网电压脱开,一般国外有双继电器的安规强制认证要求,国内目前只需要单继电器要求(后续应该会有双继电器要求,个人感觉)

weixin_29982209的博客 2616

JavaScript学习过程一些小细节

__dirname 和 __filename jQuery元素和html元素 引号

huangbx_tx的博客 448

从零开始:在Windows WSL中搭建Openfoam7+blastfoam2.0.0开发环境(避坑大全)

本文详细指导在Windows WSL中搭建OpenFOAM 7与BlastFOAM 2.0.0开发环境,重点解析了安装过程中的常见“坑点”,如编译模式不匹配导致的符号错误,并提供了从系统准备、软件部署到环境验证的完整解决方案,帮助开发者高效构建CFD与爆炸模拟开发平台。

stem5的博客 527

读懂ARM汇编程序,你只差这篇!保姆级教程(附完整示例剖析)!

ARM汇编中的符号、标号、伪操作有哪些?C语言和汇编语言如何混合编程?GNU ARM汇编和ARM汇编的区别有哪些?

车载系统攻城狮 1万+

Javascript一些小细节

1.判断class存在 1 $(obj).hasClass('BTCheck_ON') 2 $obj.attr('class')=="BTCheck_ON" 有时我们判断样式存在会写成第二种形式,但是这种写法是有问题的。如果那个DOM元素设置是class="BTCheck_ON MyClass",那上面的结果就是false了。 所以如果判断样式存在就要用第一种。 2.三目表达式 ...

weixin_33957648的博客 134

最优控制 (Optimal Control) 算法详解及案例分析

最优控制是一种通过优化控制输入,使系统在满足约束条件的情况下达到最优性能的控制方法。其目标是最小化或最大化一个性能指标。

闲人编程的博客 2092

JavaScript细节

1.arguments:实现无形参"重载" 2.在方法里声明局部变量时,如果变量前面不写var,则这个变量将是一个全局变量,可以在方法外部被调用 3. var person = {"name":"hj","age":30}; //对象字面量 var v = person.name 这种写法等于 var v = person["name"] 工作中建议使用 var v = per...

weixin_34240520的博客 141

【linux】解决报错:Network error: Connection refused

【linux】解决报错:Network error: Connection refused

weixin_44502754的博客 4937

基于工作流的低代码AI应用开发:Flock平台核心架构与实战指南

在AI应用开发领域,工作流编排正成为连接大语言模型(LLM)能力与复杂业务逻辑的关键技术。其核心原理是将任务分解为模块化节点,通过可视化方式定义执行顺序与数据流向,从而实现灵活可控的自动化流程。这种范式极大地提升了开发效率,降低了技术门槛,使得开发者能够聚焦于业务设计而非底层代码。在技术价值层面,工作流编排支持检索增强生成(RAG)、多智能体协作等高级模式,并能通过人工干预节点确保关键流程的可靠性与合规性。其典型应用场景包括智能客服、自动化办公、数据分析助手等。本文以Flock平台为例,深入解析了如何利用其

weixin_26848497的博客 381

javascript 细节

document.getElementsByName("");document.getElementById("") for(var i=0;i     ...}  

1234567 481

Codex入门24-效率倍增秘籍(终极总结:10个让你开发速度翻倍的Codex高级技巧)

专栏收官之作!经过前23篇的系统学习,你已经掌握了 Codex CLI 的核心用法。本文浓缩10个实战验证的高级技巧:管道化提示词将复杂任务拆成递进指令链,模板化 SKILL.md 打造个人技能库,Shell 别名让操作快如闪电,多模型切换省钱又高效……这不是理论课,每个技巧都配有可直接运行的代码。掌握全部10招,构建你的 AI 开发工作流闭环,让开发速度真正翻倍!

yueyeguzhuo的专栏 191

这些JavaScript 细节,你未必知道

大家好,我是 漫步,今天分享一篇关于JS 细节的文章,喜欢记得点关注我并设为星标哦前言本文主要给大家带来一些我读《你不知道的 JavaScript(中卷)》中遇到的一些有意思的内容,可以说...

前端开发博客 3307

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

JavaScript编码细节

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、JavaScript是什么?二、语法及使用细节总结 前言 很久没有去写原生的JavaScript了,大多数情况下都是依赖于框架,最近接到公司的一个zf项目前后端架构都比较老了(前端主要用的是CSS+JS),想着太久没有写JavaScript了,所以回顾一下JavaScript中的编写规范和注意细节。 一、JavaScript是什么? JavaScript(简称“JS”) 是一种具有函数优先的轻量级,解释型或即时编译型的.

无奈的小码农的博客 1621

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")

Javascript(一)-16-(JS函数_细节2)

【JS的函数细节2】 【示例】 function getSum(){ return 100; } var sum = getSum(); alert("sum="+sum);//弹出100 //============================== var sum1 = getSum; alert("sum

wy_0928的博客 364

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学习总结----javascript引入到页面的方式和细节

本系列js总结涉及到js从基础到难点的几乎所有的知识点,如有说的不准确的地方请多多指正,谢谢 一、行内 引入(不推荐,安全性能很低) <div onclick='alert(11)'></div> 二、内嵌式(将js代码写在script脚本块之间) <script type='text/javascript'> alert...

weixin_30587025的博客 161

js函数细节

fandoudou123的专栏 345

JavaScript实现商品图片的细节放大随鼠标移动

一.效果展示 二.代码实现 1.html部分 <!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title>商品细节放大</title> <link rel="stylesheet" type="text/css" href="css...

Yoke 737

hahahah JavaScript 小小小细节

nice~!

Bi-Hu的博客 128

Javascript那些烦人的细节

for in循环遍历所有该对象enumerable的properties,包括原型链上继承过来的,但不包括symbols。 Object.keys返回给对象上所有的自己的额numerable properties(即不返回原型链上的) Object.getOwnPropertyNames返回所有该对象上的属性名,包括不可枚举的(不返回原型链上的) Object.get

qiucheng55的专栏 402

Javascript的一些细节

  本文主要总结了javascript中一些不起眼的地方。虽然不起眼,但有时这些细节很重要。知识点来源于《Javascript权威指南第五版》和个人的一些实践经验。 细节一:typeof 的返回值   大家都知道typeof 返回的是字符串(嗯!废话)。但有一些特别的对象,它的返回值是需要留意的。有一点很重要:所有的构造函数都是Function ...

蓝色工作区 159

Javascript高级—JS Generator执行细节分析(co库底层实现原理)

Generator函数是一种特殊的函数,它允许在函数执行过程中暂停和恢复。与普通函数不同,Generator函数不会立即执行完毕,而是返回一个迭代器对象。这个迭代器对象具有一个next方法,用于恢复函数的执行并返回结果。定义一个Generator函数非常简单,只需在函数声明前加上一个星号()即可。yield 1;yield 2;return 3;在这个例子中,gen是一个Generator函数,它返回一个迭代器对象iterator。当我们调用时,函数会执行到第一个yield语句并暂停,返回。

小牛itbull的博客 995

js图片细节图

当细节看不清楚的时候,经常会有放大看细节的时候,我现在就为大家介绍一下如何通过我们的html,css,js实现简单的细节放大

weixin_64105376的博客 131

JavaScript 编程的一些细节

             学习了一段时间 js,遇到了许多的问题,大部分都是忽略了很多细节,现在做一下总结与回顾。   1.  当一个变量名既是局部变量又是全局变量时,会优先访问局部变量.也就是说,局部变量在其作用域内的优先级高于外层作用域的同名变量. var age = 18; for(i=0;i&lt;5;i++) { age = 20; console.log(...

好学 100

Javascript中的一些小细节(2)

Javascript中的一些小细节(2) 数字、类型 js只有一种数字类型,例如123e5表示12300000,123e-5表示0.00123; 创建数组:var car=new Array(‘f’,’h’,….);或者var car=[‘f’,’h’,…]; 数值前缀为0,表示八进制;前缀为0x表示十六进制; 对象、方法 For/in 循环遍历对象的属性; Object.key(对象) 返...

u014728574的博客 228
上一篇: JavaScript总结-1
下一篇: J2SE -Java数据类型
王雪芬-ghqr-264962
博客等级 码龄11年 363粉丝 215原创
评论 17
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

打赏作者

王雪芬-ghqr-264962

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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