学习笔记-2022/1/22

微信小程序

https://www.bilibili.com/video/BV1834y1676P?p=32
p36-45

微信小程序

  1. 从接口中读出数据,并渲染到页面中
    1. 轮播图效果
//获取轮播图图片
getswiperList(){
    wx.request({
      url: 'https://www.escook.cn/slides',
      method:"GET",
      success:(res) => {
          console.log(res),
          this.setData({
              swiperList:res.data
          })
      }
    })
},

swiperList用于存储请求的数据

<swiper indicator-dots="true" circular="true">
    <swiper-item wx:for="{{swiperList}}"  wx:key="id">
        <image src="{{item.image}}"></image>
    </swiper-item>
</swiper>
    1. 九宫格效果(view中套9个小view,并设置wxss)
      方法上,需设置较复杂的wxss
  1. 页面导航(链接开头必须以"/"开头,即’/+path’)

    1. 声明式导航
      在页面上声明一个<navigatio>导航组件
      点击<navigatio>导航组件实现页面跳转

      1. 导航到tabBar页面
        在这里插入图片描述
        使用此项可由非tabBar页面跳转至tarBar页面
      2. 导航到非tabBar页面
        在这里插入图片描述
      3. 后退导航
        在这里插入图片描述
        注:非tarBar之间后退跳转正常;由非tarBar页面跳转后退至tarBar页面正常;无法由tarBar页面后退至tarBar页面或非tarBar页面
        其余参数:https://developers.weixin.qq.com/miniprogram/dev/component/navigator.html
    2. 编程式导航
      调用小程序的导航API,实现跳转

      1. 跳转至tarBar页面:wx.switchTab(obj)
        在这里插入图片描述
        在这里插入图片描述

      2. 跳转到非tarBar页面:wx.navigateTo()
        在这里插入图片描述
        在这里插入图片描述

      3. 后退:wx.navigateBack() 在这里插入图片描述
        在这里插入图片描述
        后退一层,delta可不写
        注:规律同声明式导航,无法从tarBar界面后退至非tarBar界面,用wx.navigateTo()可实现

  2. 导航传参(链接开头必须以"/"开头,即’/+path’)

    1. 声明式导航传参:<navigator>组件实现
      在这里插入图片描述

    2. 编程式导航传参
      在这里插入图片描述

    3. 在onLoad中接受导航传参:通过options接收
      在这里插入图片描述
      接收后的数据,可在data中定义对象接收。常定义为query:{},并在onLoad中用setData接收

  3. 页面事件

    1. 下拉刷新

      1. 开启
        在页面.json或app.json中将enablePullDownRefresh设为true(app.json为全局)
        在这里插入图片描述

      2. 监听下拉刷新事件:页面.js文件中的onPullDownRefresh()函数,可在其中进行操作

      3. 停止下拉刷新效果:下拉刷新后,尽管onPullDownRefresh()函数以执行,但刷新效果仍会继续呈现。解决方法:调用wx.stopPullDownRefresh()

    2. 上拉触底:实现数据分页,加载更多数据

      1. onReachButtom():监听上拉触底,可在该函数中调用获取信息的函数,达到上拉加载新内容的功能
      2. .json文件中修改onReachButtomDistance:可修改上拉触底距离
      3. 展现loading效果:wx.showLoading(Object object),该方法不会自动关闭,需调用wx.hideLoading()才能关闭,在complete中调用wx.hideLoading()
      4. 节流处理:多次触底则多次调用加载信息函数,节流处理是实现同一时间只允许一个上拉触底事件,当上一个请求没有完成则不允许再发起下一个上拉触底
      5. 实现节流处理:
        在这里插入图片描述
### 吴恩达2022机器学习课程笔记概述 在现代计算机科学领域,随着数据量的增长和技术的进步,传统的编程方法已经无法满足复杂任务的需求。为了应对这一挑战,机器学习成为了一种重要的解决方案[^1]。 #### 传统编程与机器学习的区别 传统编程依赖于人为设定的具体指令来解决问题;然而,在面对诸如网络搜索、自然语言处理以及图像识别等复杂问题时,人们往往难以设计出有效的显式规则。因此,让机器自主学习成为了必然的选择。 #### 大规模特征空间下的挑战 当涉及到具有大量特征的数据集时——比如用于汽车识别的高分辨率彩色图像(每个像素对应三个RGB通道),特征数量可能会膨胀至数百万级别。在这种情况下,应用早期较为简单的分类算法变得极为困难甚至不可行[^2]。 #### 特征缩放的重要性 为了提高模型性能并加速训练过程,对输入特征进行预处理是非常必要的。一种常见的做法是从各特征中减去其均值,并将其标准化为单位方差。这种操作可以使不同维度上的数值分布更加均匀合理,从而有利于后续计算步骤中的收敛性分析[^3]。 #### 不同类型的回归模型及其适用场景 尽管线性回归是最基础的一种预测建模工具,但它并非适用于所有的连续型目标变量估计任务。对于那些呈现出明显非线性趋势的关系而言,采用支持向量机(SVMs)或是基于树结构的学习器如随机森林(Random Forest),或许能带来更好的效果。值得注意的是,无论选择了哪种具体的回归技术,核心目的始终是为了最小化某个特定形式的成本函数/损失函数[^4]。 ```python import numpy as np from sklearn.preprocessing import StandardScaler # 假设X是我们未经处理的原始特征矩阵 scaler = StandardScaler() scaled_X = scaler.fit_transform(X) print(scaled_X.mean(axis=0)) # 应接近于零数组 print(scaled_X.std(axis=0)) # 应等于一数组 ```
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