Jquery1.4+ Trap and Tip

本文介绍了jQuery中的一些实用技巧,包括如何使元素失效、选择多选框、取消绑定事件、获取下拉列表值等。同时提供了关于jQuery绑定事件的注意事项及解决方法。
[size=medium]jquery很强大,强大到没有它我都不会做前端开发了.
以下是收集的一些tip
1.如果要使用页面某些元素无效,就是设置这些元素的disabled属性值为disabled
$(selector).attr("disabled","disabled");
相应的要使之又有效,就去掉disabled属性
$(selector).removeAttr("disabled");
注意并不是每个页面元素都对disabled起作用,
比如<a>元素就可以使它返回false来取消默认操作,即打开链接

2.选择或取消选择多选框<input type="checkbox"/>
也就是控制checked属性值为checked
$(selector).attr("checked","checked");
相应的就是移走checked属性
$(selector).removeAttr("checked");

3.取消jquery绑定的事件
有时我们需要取消绑定事件,试图绑定第二个方法事件是不可行的
因为事件绑定是叠加的.
jquery提供了unbind方法来取消事件的绑定
$(selector).unbind("click");
如果事件有多个绑定可以指定具体方法名来取消
$(selector).unbind("click",fnName);
注意不同的selector可能都指向同一个元素
比如$(".nono").click(function(){alert('a');});
就不能使用$("#id .nono").unbind("click");来取消绑定

4.下拉列表我们可以取它的值(value),也可以取字面值
<select id="mysel">
<option value="1">M</option>
<option value="2">L</option>
</select>
第一个值比较容易取得
$("select#mysel").val(); //結果为1
$("#mysel option:selected).text(); //結果为M

5.jquery绑定事件的对象是当前页面的元素,所以当从服务器ajax返回html字符串加入到当前页面中的元素是没有绑定事件的,这时可以重新绑定,但是因为事件绑定是叠加的,所以不适宜执行太多的重新绑定.可以考虑live query这个插件

6.jquery的is()方法
可以测试元素是否有class属性
$(selector).is(".pretty"); 或使用 $(selector).hasClass("pretty");

7.

[/size]
训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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