JavaScript对象模型DOM总结


开发工具与关键技术:vs2015 C#

作者:萧氏萧然

撰写时间:2020年10月 27日

JavaScript_DOM文档对象模型

- DOM,全称Document Object Model文档对象模型

- JS中通过DOM来对HTML文档进行操作。只要理解了DOM就可以随心所欲的

操作WEB页面。

文档

- 文档表示的就是整个的HTML网页文档

对象

- 对象表示将网页中的每一个部分都转换为了一个对象

模型

- 使用模型来表示对象之间的关系,这样方便我们获取对象

节点:

- 节点Node,是构成我们网页的最基本的组成部分,网页中的每一个部分都可以称为是一个节点

- 比如:html标签、属性、文本、注释、整个文档等都是一个节点

- 虽然都是节点,但是实际上他们的具体类型是不同的

- 比如:标签我们称为元素节点、属性称为属性节点、文本称为文本节点、文档称为文档节点

- 节点的类型不同,属性和方法也都不尽相同。

节点:Node——构成HTML文档最基本的单元。

常用节点分为四类

– 文档节点:整个HTML文档

– 元素节点:HTML文档中的HTML标签

– 属性节点:元素的属性

– 文本节点:HTML标签中的文本内容

节点的属性:nodeName节点名称 nodeType 节点类型 nodeValue节点的值

文档节点(document):

- 文档节点document,代表的是整个HTML文档,网页中的所有节点都是它的子节点。

- document对象作为window对象的属性存在的,我们不用获取可以直接使用

- 通过该对象我们可以在整个文档访问内查找节点对象,并可以通过该对象创建各种节点对象

元素节点(Element)

-
HTML中的各种标签都是元素节点,这也是我们最常用的一个节点。

- 浏览器会将页面中所有的标签都转换为一个元素节点,我们可以通过document的方法来获取元素节点。

- 比如:


document.getElementById()

– 根据id属性值获取一个元素节点对象。

文本节点(Text)

- 文本节点表示的是HTML标签以外的文本内容,任意非HTML的文本都是文本节点。

- 它包括可以字面解释的纯文本内容

- 文本节点一般是作为元素节点的子节点存在的

- 获取文本节点时,一般先要获取元素节点。在通过元素节点获取文本节点

- 例如:

– 元素节点.firstChild;

– 获取元素节点的第一个子节点,一般为文本节点

属性节点(Attr)

- 属性节点表示的是标签中的一个的属性,这里要注意的是属性节点并非是元素节点的子节点,而是元素节点的一部分

- 可以通过元素节点来获取指定的属性节点

- 例如:

– 元素节点.getAttributeNode(“属性名”);

注意!!!:我们一般不使用属性节点。

一、nodeName 属性: 节点的名称,是只读的。

  1. 元素节点的 nodeName 与标签名相同

  2. 属性节点的 nodeName 是属性的名称

  3. 文本节点的 nodeName 永远是 #text

  4. 文档节点的 nodeName 永远是 #document

二、nodeValue 属性:节点的值

  1. 元素节点的 nodeValue 是 undefined 或 null

  2. 文本节点的 nodeValue 是文本自身

  3. 属性节点的 nodeValue 是属性的值

三、nodeType 属性: 节点的类型,是只读的。以下常用的几种节点类型:

元素类型    节点类型

元素          1

属性          2

文本          3

注释          8

文档          9

console.log(window.document);

console.log(document);//文档节点

console.log(document.nodeName);//文档节点

document.getElementById(“demo”);

document.createElement(“p”);

var
h1=document.getElementById(“demo”);//元素节点

console.log(h1);元素节点

console.log(h1.nodeName);元素节点的名称

console.log(h1.nodeType);元素节点的类型

var
txt=h1.firstChild;文本节点

console.log(txt);文本节点

console.log(txt.nodeName);文本节点的名称

var
attr=h1.getAttributeNode(“id”);属性节点

console.log(attr);属性节点

console.log(attr.nodeName);属性节点的名称

操作节点

获取元素节点

通过document对象调用

- getElementById()  通过id属性获取一个元素节点对象

-
getElementsByTagName() 通过标签名获取一组元素节点对象

-
getElementsByName() 通过name属性获取一组元素节点对象

-
getElementsByClassName() 通过标类名获取一组元素节点对象,该方法不支持IE8及以下版本

获取元素节点的子节点

通过具体的元素节点调用

-
getElementsByTagName()

–方法,返回当前节点的指定标签名后代节点

-
childNodes

–属性,表示当前节点的所有子节点

-
firstChild

– 属性,表示当前节点的第一个子节点

-
lastChild

– 属性,表示当前节点的最后一个子节点

获取父节点和兄弟节点

通过具体的节点调用

-
parentNode

– 属性,表示当前节点的父节点

-
previousSibling

– 属性,表示当前节点的前一个兄弟节点

- nextSibling

– 属性,表示当前节点的后一个兄弟节点

元素节点的属性

• 获取:元素对象.属性名

例:element.value

element.id

element.className

• 设置,元素对象.属性名=新的值

例:element.value = “hello”

element.id
= “id01”

element.className
= “newClass”

其他属性

nodeValue

– 文本节点可以通过nodeValue属性获取和设置文本节点的内容

innerHTML

– 元素节点通过该属性获取和设置标签内部的html代码

使用CSS选择器进行查询

querySelector()

querySelectorAll()

- 这两个方法都是用document对象来调用,两个方法使用相同,都是传递一个选择器字符串作为参数,方法会自动根据选择器字符串去网页中查找元素。

- 不同的地方是querySelector()只会返回找到的第一个元素,而querySelectorAll()会返回所有符合条件的元素。

节点的修改

这里的修改我们主要指对元素节点的操作

• 创建节点

– document.createElement(“标签名”)

• 删除节点

– 父节点.removeChild(子节点)

• 替换节点

– 父节点.replaceChild(新节点 , 旧节点)

• 插入节点

– 父节点.appendChild(子节点)

– 父节点.insertBefore(新节点 , 旧节点)

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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