JS闭包

公众号:前端之巅 上看到的,讲的很好,mark:

每当声明一个新函数并将其赋值给变量时,实际上是保存了函数定义和闭包。闭包包含了创建函数时声明的所有变量,就像一个背包一样——函数定义附带一个小背包。这个背包保存了创建函数时声明的所有变量。

function createCounter() {
  let counter = 0
  const myFunction = function() {
    counter = counter + 1
    return counter
  }
  return myFunction
}
const increment = createCounter()
const c1 = increment()
const c2 = increment()
const c3 = increment()
console.log('example increment', c1, c2, c3)

输出:example increment 1 2 3

第 1-8 行,我们在全局执行上下文中创建了一个新变量 createCounter,它包含了一个函数定义。
第 9 行,我们在全局执行上下文中声明一个名为 increment 的新变量。
第 9 行,我们调用 createCounter 函数并将其返回值赋给 increment 变量。
第 1-8 行,调用函数,创建新的本地执行上下文。
第 2 行,在本地执行上下文中声明一个名为 counter 的新变量,并赋值为 0。
第 3-6 行,在本地执行上下文中声明名为 myFunction 的新变量。变量的内容是另一个函数的定义,即第 4 行和第 5 行所定义的内容。我们还创建了一个闭包并将其作为函数定义的一部分,闭包含包含函数作用域内的变量,在本例中为变量 counter(值为 0)。
第 7 行,返回 myFunction 变量的内容,删除本地执行上下文。myFunction 和 counter 不再存在,控制权返回到调用上下文。所以我们返回函数定义及其闭包,闭包中包含创建函数时声明的变量。
第 9 行,在调用上下文(全局执行上下文)中,createCounter 返回的值被赋给 increment。变量 increment 现在包含一个函数定义(和闭包),其中函数定义由 createCounter 返回。它不再被标记为 myFunction,但定义是一样的。在全局上下文中,它被称为 increment。
第 10 行,声明一个新变量(c1)。
第 10 行,查找变量 increment,它是一个函数,调用它,它包含之前返回的函数定义,也就是第 4-5 行所定义的内容(还有一个带变量的闭包)。
创建新的执行上下文,没有参数,开始执行这个函数。
第 4 行,counter = counter + 1。我们需要查找变量 counter。在查看本地或全局执行上下文之前,先让我们来看看闭包。请注意,闭包包含一个名为 counter 的变量,其值为 0。在第 4 行的表达式之后,它的值被设置为 1,然后再次保存在闭包中。闭包现在包含了值为 1 的变量 counter。
第 5 行,我们返回 counter 的值或数值 1,销毁本地执行上下文。
返回第 10 行,返回值(1)被分配给 c1。
第 11 行,我们重复步骤 10-14。这次,我们可以看到变量 counter 的值为 1,这个值是在第 4 行代码中设置的。它的值加 1,并在 increment 函数的闭包中存为 2。c2 被赋值为 2。
第 12 行,我们重复步骤 10-14,c3 被设为 3。
第 13 行,我们记录变量 c1、c2 和 c3 的内容。


所以现在我们了解闭包的工作原理。当声明一个函数时,它包含一个函数定义和一个闭包。闭包是函数创建时声明的变量的集合。

你可能会问,任何函数是否都有闭包,包括在全局范围内创建的函数?答案是肯定的。在全局范围中创建的函数也会创建一个闭包。但由于这些函数是在全局范围内创建的,因此它们可以访问全局范围内的所有变量,就无所谓闭包不闭包了。

当一个函数返回另一个函数时,才会真正涉及闭包。返回的函数可以访问仅存在于其闭包中的变量。

又如:

let c = 4
function addX(x) {
  return function(n) {
     return n + x
  }
}
const addThree = addX(3)
let d = addThree(c)
console.log('example partial application', d)

箭头函数写法:

let c = 4
const addX = x => n => n + x
const addThree = addX(3)
let d = addThree(c)
console.log('example partial application', d)

我们声明了一个通用加法函数 addX,它接受一个参数(x)并返回另一个函数。
返回的函数也接受一个参数并将其与变量 x 相加。
变量 x 是闭包的一部分,当在本地上下文中声明变量 addThree 时,它会分配到一个函数定义和一个闭包,闭包含变量 x。
所以,当调用并执行 addThree 时,它可以从闭包中访问变量 x 和变量 n(作为参数传递进去),并返回相加的和。
在这个示例中,控制台将打印数字 7。

英文原文:
https://medium.com/dailyjs/i-never-understood-javascript-closures-9663703368e8

基于Swin Transformer与ASPP模块的图像分类系统设计与实现 本文介绍了一种结合Swin Transformer与空洞空间金字塔池化(ASPP)模块的高效图像分类系统。该系统通过融合Transformer的全局建模能力和ASPP的多尺度特征提取优势,显著提升了模型在复杂场景下的分类性能。 模型架构创新 系统核心采用Swin Transformer作为骨干网络,其层次化窗口注意力机制能高效捕获长距离依赖关系。在特征提取阶段,创新性地引入ASPP模块,通过并行空洞卷积(膨胀率6/12/18)和全局平均池化分支,实现多尺度上下文信息融合。ASPP输出经1x1卷积降维后与原始特征拼接,有效增强了模型对物体尺寸变化的鲁棒性。 训练优化策略 训练流程采用Adam优化器(学习率0.0001)和交叉熵损失函数,支持多GPU并行训练。系统实现了完整的评估指标体系,包括准确率、精确率、召回率、特异度和F1分数等6项指标,并通过动态曲线可视化模块实时监控训练过程。采用早停机制保存最佳模型,验证集准确率提升可达3.2%。 工程实现亮点 1. 模块化设计:分离数据加载、模型构建和训练流程,支持快速迭代 2. 自动化评估:每轮训练自动生成指标报告和可视化曲线 3. 设备自适应:智能检测CUDA可用性,无缝切换训练设备 4. 中文支持:优化可视化界面的中文显示与负号渲染 实验表明,该系统在224×224分辨率图像分类任务中,仅需2个epoch即可达到92%以上的验证准确率。ASPP模块的引入使小目标识别准确率提升15%,特别适用于医疗影像等需要细粒度分类的场景。未来可通过轻量化改造进一步优化推理速度。
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