锋利的JQuery(二)

JQuery事件绑定:bind方法

bind(event_type,[.data],function)

Bind方法有三个参数:

	1.event_type:事件类型,包括:blur,focus、、、、、

	2.[.data]:可选参数,作为event.data属性值传递给事件对象的额外数据对象

	3.function:用来绑定的处理函数

在使用bind方法为操作绑定事件时,原理和addEventListener类似,可以多次绑定而不覆盖

在bind方法内部有一个关键字this,其代表相应的DOM元素(可以使用$(this)将其转换成为JQuery对象)

补充:事件对象event常用方法

	1.type属性:捕获到的事件类型

	2.preventDefault():阻止默认的时间行为

	3.stopPropagation():阻止事件冒泡

	4.target属性:获取到触发事件的元素
	
	5.pageX和pageY:获取光标的x、y坐标

自定义事件与模拟事件触发

自定义事件:

	$('#btn').bind('myClick',function () {
		...
	})

使用trigger来触发:

	$('#btn').trigger('myClick')

注意:trigger还可以触发原生事件:click、blur等等

贝叶斯优化是一种基于贝叶斯定理的优化算法,可以用于求解黑盒函数的最优解。Python中有很多库可以实现贝叶斯优化算法,其中比较常用的是scikit-optimize和BayesianOptimization。 scikit-optimize库实现了多种全局优化算法,其中包括贝叶斯优化算法。以下是一个简单的示例代码: ``` from skopt import gp_minimize from skopt.space import Real def objective(x): return (x-2)**2 + (x+3)**2 space = [Real(-10, 10, name='x1'), Real(-5, 5, name='x2')] res = gp_minimize(objective, space) print("Minimum value found: %f" % res.fun) print("Minimum location found: ", res.x) ``` 在这个例子中,我们定义了一个目标函数objective,该函数接受一个长度为2的向量作为输入,并返回一个标量输出。我们使用gp_minimize函数来最小化这个函数,并指定搜索空间为两个连续变量x1和x2。最终,我们得到了最小值和最小值所在位置的输出。 BayesianOptimization库也提供了一个类似的API,以下是一个简单的示例代码: ``` from bayes_opt import BayesianOptimization def objective(x, y): return -(x**2 + (y-1)**2) pbounds = {'x': (-10, 10), 'y': (-5, 5)} optimizer = BayesianOptimization( f=objective, pbounds=pbounds, random_state=1, ) optimizer.maximize(n_iter=10) print(optimizer.max) ``` 在这个例子中,我们定义了一个目标函数objective,该函数接受两个连续变量x和y作为输入,并返回一个标量输出。我们使用BayesianOptimization类来最大化这个函数,并指定搜索空间为两个变量x和y。最终,我们得到了最大值和最大值所在位置的输出。
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