Promise实现

本文深入解析Promise的工作原理,从零开始实现一个简单的Promise函数。通过理解其内部状态转换机制及then方法的执行流程,帮助读者掌握Promise的核心概念。

实现一个简单的promise

首先promise是一种异步解决方案,避免了开发中的回调地狱的问题,promise状态有三种,pending resolved,rejected 一旦状态改变将不可逆,也就是说状态只能由pending——resolved或者pending——rejected,下面来实现一个简单的promise函数

function PromiseMy(constructor){
	var self = this;
	this.state = 'pending';
	this.value = undefined;
	this.msg = undefined;
	function resolve (value){
		if(self.state === 'pending'){
			self.state = 'resolved';
			self.value = value;
        }
	}
   function reject(value){
		if(self.state === 'pending'){
			self.state = 'rejected';
			self.msg = msg;
        }
	}
	try{
		constructor(resolve,reject)
	}catch(e){
		reject(e)
	}
}
在原型上编写then方法
PromiseMy.prototype.then = function(onResolved,onRejected){
    var selef = this;
	if(selef.state == 'resolved'){
	   onResolved(selef.value)
    }else if(selef.state == 'resolved'){
       onRejected(selef.msg)
    }
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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