JS倒计时

这段代码展示了如何使用JavaScript在网页上实现一个从当前时间到指定时间的倒计时功能。通过获取当前日期和设定的结束日期进行计算,动态更新剩余的天数、小时、分钟和秒数。倒计时的更新频率为每秒一次。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

JS倒计时

<!DOCTYPE html>
<html lang="en">

<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document</title>
</head>

<body>
    <p id="p"></p>
    <script>
       let p = document.getElementById("p");
       setInterval(function () {
            var nowtime = new Date();

            let year = nowtime.getFullYear();
            let month = nowtime.getMonth() + 1;
            let days = nowtime.getDate();
            let a = year + '/' + month + '/' + days;
            var endtime = new Date(a + " 19:00:00");

            //总共需要的秒数
            var seconds = parseInt((endtime - nowtime) / 1000)
            //需要的天数
            var day = fn(parseInt(seconds / 3600 / 24));   
            //需要的小时
            var hou = fn(parseInt(seconds / 3600 % 24));
            //需要多少分
            var sec = fn(parseInt(seconds / 60 % 60));
            //需要的毫秒
            var mil = fn(parseInt(seconds % 60));
            console.log(typeof day)

            if(day == "00"){
                p.innerHTML = hou + "小时" + sec + "分" + mil + "秒"
            }else{
                p.innerHTML = day + "天" + hou + "小时" + sec + "分" + mil + "秒"
            }
            
        }, 1000)
        function fn(num) {       
            if (num < 10) {
                return "0" + num
            } else {
                return num
            }
        }
    </script>
</body>

</html>
在当今计算机视觉领域,深度学习模型在图像分割任务中发挥着关键作用,其中 UNet 是一种在医学影像分析、遥感图像处理等领域广泛应用的经典架构。然而,面对复杂结构和多尺度特征的图像,UNet 的性能存在局限性。因此,Nested UNet(也称 UNet++)应运而生,它通过改进 UNet 的结构,增强了特征融合能力,提升了复杂图像的分割效果。 UNet 是 Ronneberger 等人在 2015 年提出的一种卷积神经网络,主要用于生物医学图像分割。它采用对称的编码器 - 解码器结构,编码器负责提取图像特征,解码器则将特征映射回原始空间,生成像素级预测结果。其跳跃连接设计能够有效传递低层次的细节信息,从而提高分割精度。 尽管 UNet 在许多场景中表现出色,但在处理复杂结构和多尺度特征的图像时,性能会有所下降。Nested UNet 通过引入更深层次的特征融合来解决这一问题。它在不同尺度上建立了密集的连接路径,增强了特征的传递与融合。这种“嵌套”结构不仅保持了较高分辨率,还增加了特征学习的深度,使模型能够更好地捕获不同层次的特征,从而显著提升了复杂结构的分割效果。 模型结构:在 PyTorch 中,可以使用 nn.Module 构建 Nested UNet 的网络结构。编码器部分包含多个卷积层和池化层,并通过跳跃连接传递信息;解码器部分则包含上采样层和卷积层,并与编码器的跳跃连接融合。每个阶段的连接路径需要精心设计,以确保不同尺度信息的有效融合。 编码器 - 解码器连接:Nested UNet 的核心在于多层次的连接。通过在解码器中引入“skip connection blocks”,将编码器的输出与解码器的输入相结合,形成一个密集的连接网络,从而实现特征的深度融合。 训练与优化:训练 Nested UNet 时,需要选择合适的损失函数和优化器。对于图像分割任务,常用的损失
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