JavaScript 的 Promise:一场关于相亲、结婚与生子的异步人生大戏

如何处理动态语言(Python / JS)的“隐形”调用链? 本文揭示动态语言(Python/JS)中静态AST解析导致调用链“断链”的核心问题,提出通过运行时追踪补全图谱的解决方案。基于Code-Graph-RAG的cgr trace机制,分别利用pytest插件与V8 Profiler捕获真实调用路径,将动态边合并至静态图谱,并在权重体系中提升动态边优先级。实践表明,该方法可显著提升图谱覆盖率,实现“结构+行为”双视角理解代码,为MCP与Rerank系统提供可靠支持。 阅读详情

当V8引擎执行JavaScript代码时,就像你妈给你安排人生大事的流程:

function 相亲() {
   setTimeout(()=>{  //异步代码,相亲需要等待一个月(假设)
    console.log('相亲成功')
},1000)
}
function 结婚() {
    console.log('你和相亲对象结婚啦')  //同步代码
}
function 生娃() {
    console.log('孩子出生啦')  //同步代码
}
相亲()
结婚()
生娃()
你和相亲对象结婚啦
 孩子出生啦
(30天后...)相亲成功

V8引擎的执行逻辑:

  1. 🚀 遇到相亲()这个异步操作:"哟,这得等1个月?先挂起!"
  2. ⚡ 看到后面的结婚()和生娃()是同步操作:"这个快!先办!"
  3. 📅 于是引擎光速执行:
  4. -- 上午10:00:跳过相亲
  5. -- 上午10:01:完成结婚登记
  6. -- 上午10:02:孩子出生证明开好
  7. ⏳ 1个月后才慢悠悠执行相亲:"咦?这相亲对象怎么带着你的孩子来见面?"

引擎的内心戏:

"你们人类的因果关系太复杂!"
"我的原则就三条:"

能马上办的绝不等(同步优先) 要等的扔到后面去(异步入队) 干等不如多干点活(非阻塞I/O)

"至于先结婚后相亲?"
"那是你们人类的伦理问题"
"我V8引擎只讲执行效率!😎"

老妈说:"这样成何体统?!"

这个时候聪明的程序员就想到解决办法了,这个方法就是回调

function 相亲() {
   setTimeout(()=>{  //异步代码,相亲需要等待一个月(假设)
    console.log('相亲成功')
    结婚()    //回调:相亲完才能结婚
},1000)
}
function 结婚() {
    console.log('你和相亲对象结婚啦')   //同步代码
    生娃()    //回调:结婚完才能生娃
}
function 生娃() {
    console.log('孩子出生啦')  //同步代码
}
相亲()
相亲成功
你和相亲对象结婚啦 
孩子出生啦 

回调这个方法虽然解决了相亲结婚生娃的逻辑问题,但是试想一下,当这个人生大戏不是简单的相亲,结婚,生娃,而是更加复杂的整个人生时,进行的回调就非常复杂。每增加一个依赖前一步的操作,就要多一层缩进最终代码向右延伸成"横躺的埃菲尔铁塔" 需要横向滚动条才能看完一行代码(程序员最恨的设计!)所以如果当嵌套过深时,就会出现代码的可读性差,维护困难,排查问题困难。

😱 这就是臭名昭著的"回调地狱"(Callback Hell)!

Promise登场:异步世界的秩序维护者

Promise就像一位经验丰富的婚礼策划师,确保人生大事按正确顺序进行:

function 相亲() {
  return new Promise((resolve,reject) => {
    setTimeout(() => {
      console.log("相亲成功");
      resolve(); // 发出"可以下一步"的信号
    }, 1000);
  });
}

function 结婚() {
  return new Promise((resolve,reject) => {
    console.log("你和相亲对象结婚啦");
    resolve(); // 发出"婚姻有效"的确认
  });
}

function 生娃() {
  return new Promise((resolve,reject) => {
    console.log("孩子出生啦");
    resolve(); // 发出"传宗接代完成"的通知
  });
}

// 正确的人生顺序
相亲()
  .then(() => 结婚())
  .then(() => 生子());
相亲成功
你和相亲对象结婚啦
孩子出生啦

Promise三大超能力

  1. 状态管理:Promise的人生三态
    1. pending(等待态):刚安排相亲,结果未知
    2. fulfilled(成功态):相亲成功,可以结婚
    3. rejected(失败态):被发好人卡,需要Plan B
  2. 链式调用:人生大事接力赛

每个.then()都是人生新阶段,前一步成功才能触发下一步

相亲()
  .then(() => 结婚())
  .then(() => 生子())
  .catch(err => console.log("人生崩盘:", err))

任何环节出错(被拒、婚礼取消、生育问题),一个.catch()全搞定

深度剖析:Promise如何指挥异步大军

核心执行流程

新手常踩的坑

问题代码:

function 相亲(){
  return new Promise((resolve,reject)=>{  setTimeout(()=>{
    console.log('相亲成功')
    resolve()  //成功状态
},1000)

   }) 
}
function 结婚(){
    return new Promise((resolve,reject)=>{  setTimeout(()=>{
        console.log('你和相亲对象结婚啦')
        resolve()  //成功状态
    },2000)
       })
}
function 生娃(){
    return new Promise((resolve,reject)=>{  setTimeout(()=>{
        console.log('孩子出生啦')
        resolve()  //成功状态
    },500)
       })
}
相亲()  //里面执行到了resolve()
  .then(() => { //then的源码里面也返回了一个promise对象,状态默认继承自相亲函数返回的对象的状态
    结婚(); // 忘记return!
  })
  .then(() => {
    生娃(); // 会提前执行!
  })
相亲成功
孩子出生啦
你和相亲对象结婚啦

问题分析:

  1. 第一个.then()没有返回新的Promise
  2. V8默认继承前一个Promise状态,导致.then()立即触发
  3. 结果:孩子出生可能早于结婚完成 → 未婚先孕的代码版

解决方案:

相亲()
  .then(() => {
  return 结婚(); // 关键return! 保证第一个then返回的对象状态继承于结婚函数返回的对象状态
  })
  .then(() => {
    生娃(); 
  })
相亲成功
你和相亲对象结婚啦
孩子出生啦

结语:从“乱点鸳鸯谱”到“精准人生规划师”

在JavaScript的异步世界里,Promise如同一位经验丰富的婚礼策划师,彻底改变了代码人生的混乱局面:

  1. 秩序重建:
    Promise用清晰的.then()链取代了回调地狱的“套娃式人生规划”,让相亲→结婚→生子的时间线回归正序,孩子再也不会出生在结婚之前
  2. 错误免疫:
    通过.catch()这位全能的情感顾问,无论遭遇“相亲被拒”还是“婚礼取消”,一个应急预案搞定所有危机,从此代码人生不再崩盘
  3. 优雅进化:
    从回调的“横向贪吃蛇”代码:
相亲(() => {
  结婚(() => {
    生娃(() => {
      买学区房(() => { // 向右无限延伸...
    })
  })
})

升级为Promise的“人生进度条”:

相亲()
  .then(结婚)
  .then(生娃)
  .then(买学区房) // 纵向清晰扩展

横躺的埃菲尔铁塔终于被扶正了!

  1. 现实启示:
    就像V8引擎不会理解“先结婚后相亲”的伦理问题,现实中的程序员也常常陷入执行效率与逻辑顺序的矛盾。Promise教会我们:在异步的世界里,顺序不是偶然发生的,而是精心设计的。

最后送您三条Promise人生哲理:

  1. 没有return的.then()如同空头支票——永远无法兑现下一步
  2. 未处理的.catch()就像没买保险的人生——一次意外满盘皆输
  3. 掌握Promise链的艺术,让您的代码从“乱点鸳鸯谱”升级为“精准的人生规划师”!

当您下次看到new Promise(resolve => { ... })时,请记住:
这不是冷冰冰的代码语法,
而是程序员对有序世界的浪漫宣言——
“让异步的归异步,让顺序的归顺序”

现在就用Promise重构您的代码人生吧,愿您的程序世界从此:
👰 婚姻不再乱序,
👶 孩子准时出生,
💻 代码永无回调地狱!

Yolov26 在 Rk3588 上的 Rknn Onnx 部署实践(模型转换) 本文详细介绍了将YOLOv26 ONNX模型转换为RKNN模型的过程,适用于RK3588平台。主要内容包括:1)量化数据集的创建,通过随机抽取最多400张JPG图片生成校准数据集;2)ONNX转RKNN的完整脚本,支持多种量化方式和平台适配;3)模型转换的参考调用方式;4)模型结构对比展示。文章还提供了注意事项,强调量化数据集图片尺寸、mean/std值需与实际推理一致,并给出精度优化建议。该转换流程为YOLOv26模型在RK3588上的高效部署提供了完整解决方案。 阅读详情

相关推荐

Flink CDC 1.18.1 Oracle 数据同步到postgresql

8、修改Flink的配置文件,主要是各种服务的绑定地址,默认为localhost,统统改为0.0.0.0,如:rest.address: 0.0.0.0 #localhost。将flink-sql-connector-oracle-cdc-3.0.1.jar复制到flink-1.18.1/lib目录中。6、下载 flink-connector-jdbc-3.1.1-1.17.jar,postgresql-42.7.3.jar。7、安装postgresql就不说了,相信你已经有了数据库了。

ynzhangyao的专栏 1800

详解JS的四种异步解决方案!(新增了相亲小栏目~)

大家好,我是若川。我持续组织了近一年的源码共读活动,感兴趣的可以点此扫码加我微信lxchuan12参与,每周大家一起学习200行左右的源码,共同进步。新增两位小姐姐和一位小哥哥:现有【L01】,【L02】,【L03】三个小姐姐,【N01】 一个小哥哥。具体在我的#公众号:若川视野 发消息回复 相应的关键词 获取微信号,或者查看文末。「异步编程」是前端工程师日常开发中经常会用到的技术,也是校...

u012384510的博客 1386

osgEarth shapefile矢量生成三维模型案例 2.boston.earth

osgEarth shapefile矢量生成三维模型案例 2.boston.earth 波士顿城市建筑、路灯、公园、道路shp矢量生成三维模型案例。

qq_24934183的博客 3546

相亲交友源码开发,前端API如何请求缓存?

在开发相亲交友源码时,性能都是必不可少的话题。 事实上,缓存一定是提升相亲交友源码性能最有效方法之一,尤其是用户受限于网速的情况下。提升系统的响应能力,降低网络的消耗。当然,内容越接近于用户,则缓存的速度就会越快,缓存的有效性则会越高。 以相亲交友源码客户端而言,我们有很多缓存数据与资源的方法,例如 标准的浏览器缓存 以及 目前火热的 Service worker。但是,他们更适合静态内容的缓存。例如 html,js,css以及图片等文件。而缓存系统数据,我采用另外的方案。 那我现在就对相亲交友源码中的各种

m0_58374018的博客 151

西门子S7-200 SMART PLC高速计数器与增量式编码器实战配置指南

在工业自动化控制系统中,传感器是将物理量转换为电信号的关键组件,其中编码器作为核心的位置与速度检测元件,其工作原理基于光电或磁电效应,将机械位移转换为脉冲序列。增量式编码器通过输出相位差90度的A/B两相脉冲,不仅能实现精确的位移测量,还能通过相位关系自动判别运动方向,并通过倍频技术提升分辨率。其技术价值在于为PLC等控制器提供了实时、高精度的位置反馈,是实现闭环控制、提升系统精度与可靠性的基础。在包装机械、物料输送、绕线设备等应用场景中,编码器与PLC高速计数器的协同工作是实现精确定位、定长切割与速度控制

weixin_29178069的博客 400

QCC308X/518X/309X加LDAC解码

QCC308X/518X/309X加LDAC解码。

Alex_886的博客 6614

每一个前端都要学的 Promise 用法详细解析

大家好,我是若川。我持续组织了近一年的源码共读活动,感兴趣的可以点此扫码加我微信lxchuan12参与,每周大家一起学习200行左右的源码,共同进步。同时极力推荐订阅我写的《学习源码整体架构系列》包含20余篇源码文章。历史面试系列。另外:目前建有江西|湖南|湖北|河南籍前端群,可加我微信进群。公众号回复【相亲】关键词可以获取男生、女生的菜单~Promise是ES6之后新增的一个重要知识点(...

u012384510的博客 962

Mac 下 OpenClaw 安装全记录:从零到一的保姆级图文教程

本文主要介绍了Mac 下 OpenClaw 安装全记录:从零到一的保姆级图文教程,希望能对学习使用OpenClaw 的同学们有所帮助。 文章目录 1. 背景 2. 安装教程 2.1 安装OpenClaw 2.2 配置模型 2.3 对话 3. 后续使用步骤 4. 关闭程序

weixin_43178406的博客 11万+

相亲交友源码开发,关于事件循坏你该了解的一些事

先来了解一下三个重要的概念 主线程 相亲交友源码中所有的同步任务都是在主线程里执行的,异步任务可能会在macrotask或者microtask里面 同步任务: 指的是在相亲交友源码主线程上排队执行的任务,只有前一个任务执行完毕,才能执行后一个任务。 异步任务: 指的是不进入相亲交友源码主线程,某个异步任务可以执行了,该任务才会进入主线程执行。 微任务(micro task) promise async await process.nextTick(node) mutationObserver(html

m0_58374018的博客 343

DAMMFND: Domain-Aware Multimodal Multi-view Fake News Detection

虚假新闻的泛滥不仅严重阻碍了互联网社交媒体的健康发展,还在政治、经济和社会层面造成了实际危害,凸显了自动化虚假新闻检测的重要性(Zhou 等,2015;Cui 等,2019;Zhu 等,2022a;Li 等,2024c,b,a)。现有的虚假新闻检测方法通常聚焦于特定领域的新闻,例如健康或政治领域。然而,在现实世界中,社交媒体上的新闻往往跨越多个领域,这就要求现有的虚假新闻检测方法必须考虑多域泛化(Nan 等,2021;Qi 等,2019;Zhu 等,2022b)。

qq_52053775的博客 340

人群仿真软件:Pathfinder_(14).与其他软件的集成与互操作

在人群仿真软件的二次开发中,与其他软件的集成和互操作是非常重要的。通过数据导入导出、接口调用和脚本编写,可以显著提升仿真的准确性和实用性。Pathfinder提供了多种数据格式的支持和丰富的API,使得与其他软件的集成变得简单高效。无论是建筑模型的导入、仿真结果的导出,还是实时数据的交换,Pathfinder都能满足用户的需求。

kkchenjj的博客 1017

“突破传统JavaScript异步模式:async/await 的应用技巧”

JavaScript 是一种单线程的编程语言,这意味着它在同一时间内只能执行一个任务。但是我们可以通过使用异步编程模型,例如使用回调函数、Promise、async/await 等机制,可以实现非阻塞(Non-blocking)的并发操作,提高程序的响应性能。

m0_64728371的博客 1043

风光储并网对电力系统稳定性影响的仿真研究

本文研究了风光储并网对电力系统稳定性的影响,基于MATLAB/Simulink平台搭建了IEEE 9节点测试系统的风光储并网模型。研究对比了光储、风储和风光储三种并网配置在多种干扰下的稳定性表现。结果表明:光储系统对频率变化最敏感,风储系统具有更强的功率波动适应能力,而风光储联合系统通过互补效应展现出最佳综合稳定性。储能系统在所有配置中均显著改善了频率恢复性能,验证了其在新能源并网中的关键支撑作用。研究为高比例可再生能源电力系统的稳定运行提供了仿真依据和技术参考。

huanghm88的专栏 156

Es6 promise

Es6 promise

放弃很容易,坚持很难。 259

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

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")

#1024程序员节 | 征文#

Promise 是异步编程的一种解决方案: 从语法上讲,promise是一个对象,从它可以获取异步操作的消息;从本意上讲,它是承诺,承诺它过一段时间会给你一个结果。 promise有三种状态:pending(等待态),fulfiled(成功态),rejected(失败态);状态一旦改变,就不会再变。创造promise实例后,它会立即执行

潮的博客 653

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

前端老铁别懵圈:搞懂微任务队列,再也不怕面试官问事件循环了!

微任务听着“微”,权力大得能锁死页面,也能让框架响应式丝滑如德芙。别再信“setTimeout 0 就是立即执行”的鬼话,那是宏任务,得等下一轮。面试再被问“事件循环顺序”,先笑三声,然后一句:“兄弟,先清空几轮微任务?”——逼格瞬间拉满。今晚就聊到这儿,我去把掉在键盘上的辣条捡起来。下次谁再跟你说“Promise 比 setTimeout 快是因为 Promise 比较努力”,你就把这篇文章甩他脸上,让他感受下知识的力量。欢迎来到我的博客,很高兴能够在这里和您见面!

一个做过前端开发的产品经理,经历过睿智产品的折磨导致脱发之后,励志要翻身"农奴"把歌唱,一边打入敌人内部一边持续提升自己,为我们广大开发同胞谋福祉,坚决抵制睿智产品折磨我们码农兄弟! 1334

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

前端面试题经验总结

1面试注意点 面试题目: 根据你的等级和职位变化,入门级到专家级:范围↑、深度↑、方向↑、新技术↑。 题目类型: 技术视野、项目细节、理论知识题,算法题,开放性题,案例题。 进行追问: 可以确保问到你开始不懂或面试官开始不懂为止,这样可以大大延展题目的区分度和深度,知道你的实际能力。因为这种关联知识是长时间的学习,绝对不是临时抱佛脚得来的。 言语态度:回答问题再棒,面试官(可能是你的直接领...

weixin_42246997的博客 1794

Web 版翻译者资料库

本项目是桌面版《翻译者资料库》的 Web 移植版,基于 Spring Boot 3.3、Thymeleaf、Bootstrap 5.3 与 MySQL 8.0 构建。它面向翻译写作提供资料、词汇、句库、文本工具、对照制作、查找、备份恢复及旧库迁移等功能,完整继承桌面版核心业务规则,支持一键启动与离线访问。

howard2005的专栏 185

副队长BootStrap5探究(2)--按钮与按钮组

本文系统讲解Bootstrap 5按钮组件的使用与底层原理。通过CDN引入框架,掌握btn基础类及primary、success等主题色应用,学习轮廓按钮(btn-outline-*)、尺寸控制(btn-lg/sm)、块级布局(d-block)和禁用状态(disabled)等实用功能。结合源码解析,深入理解其基于CSS的圆角、过渡动画、伪类交互实现机制,实现“快速上手+原理掌握”的双重目标,助力前端技能进阶。

编程副队长 706

微信小程序-wxs

在微信开发者工具中右键创建.wxs后缀的文件。每个.wxs文件也是一个独立模块,同样使用导出内容。示例(文件return d;FOO: foo,bar: bar(外联定义参考官方文档)

dreams_dream的博客 380

汽车租赁系统(协同过滤算法、支付宝沙盒支付、 腾讯地图接入、WebSocket在线沟通、ECharts运营分析、三角色协同、还车费用处理)

本系统基于B/S架构,采用前后端分离设计,集成SpringBoot3、Vue2、MySQL等技术,实现用户、商家、管理员三角色协同管理。亮点包括:车型加权推荐与话题协同过滤算法提升个性化体验;支付宝沙盒支付、腾讯地图定位、WebSocket在线沟通保障流程闭环;还车费用智能计算与ECharts多维数据可视化助力运营分析,全面支持租车全生命周期管理。

paopaokaka_luck的博客 171

实战项目:哈米音乐(前六章)

本文整理哈米音乐实战项目前六章核心知识点,涵盖技术选型、数据库建模、Maven聚合工程、MyBatis逆向工程、SSM架构整合、泛型反射抽取公共Dao与Service、文件流代码生成器,附核心易错点速查表,便于复习备考。

既然你都点开这里了,那可以给我点个关注吗?可以吗?可以吗? 293

设计模式(unity游戏研发版)

当你使用图形用户界面类时通常会遇到一个问题。比如,你创建了自定义按钮类并允许客户端在按钮中注入自定义代码,这样当用户按下按钮时就会触发这些代码。观察者模式允许任何实现了订阅者接口的对象订阅发布者对象的事件通知。你可在按钮中添加订阅机制,允许客户端通过自定义订阅类注入自定义代码。在Unity中,这就像UnityEvent在Inspector中绑定多个回调。

m0_63330263的博客 132

【技术专题】JavaScript 网页技术 - JavaScript 流程控制

小锋老师推出《一天学会JavaScript(无废话版)》视频教程,涵盖基础语法、流程控制、函数、数组对象、DOM操作及ES6新特性。内容精炼,配套课件与源码打包下载,助力快速入门。重点讲解if/else、switch、for/while循环、for...of/in遍历及break/continue使用场景,并通过成绩判断实例演示实际应用。适合零基础学习者高效掌握核心技能。

java1234的博客 167

基于 FastAPI+LangChain+LangGraph+Agent+Vue3+MySQL 的房产数据采集与房价预测分析平台

本文介绍一个完整的「房产数据采集+AI房价预测」全栈项目,涵盖FastAPI异步后端、LangGraph Agent智能问答、爬虫采集、机器学习预测与Vue3前端,实现从数据采集到AI交互的闭环。项目融合多技术栈,具备真实业务场景与生产级设计(如降级策略、流式输出、多模型对比),兼具简历亮点与答辩演示优势,可系统性提升工程能力,并附高频面试题解析,是理想的技术综合实践项目。

深耕开发,专注编程实战。分享源码解析、项目搭建、问题排查笔记,沉淀技术,持续更新。 252

副队长BootStrap5探究(11)--单选框 radio

本文详解Bootstrap 5中单选框(radio)的使用与底层实现原理。通过引入Bootstrap CSS,掌握基础用法、默认选中、禁用状态及横向排列等特性。核心在于隐藏原生input,利用~兄弟选择器配合伪元素::before和::after绘制圆形外圈与实心圆点,实现统一视觉风格。重点解析了position、z-index、opacity及:checked状态控制等CSS技巧,巩固前端样式设计能力。

编程副队长 298
上一篇: 什么语言最适合用来游戏开发?
下一篇: 中国移动 Java 一面,直接秒了。。。
程序员职业指南
博客等级 码龄4年 2140粉丝 960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