前端挑战之js编程题(1)

牛客网——前端技能大挑战(js)——12道编程题 1.修改this指向 封装函数 f,使 f 的 this 指向指定的对象 输入:无 输出:无 function bindThis(f, oTarget) { //考察js中的上下文调用的三种方法,call/apply/bind //return function(){ // return f.apply(oTarget,arguments); // }... 阅读详情

题目要求:

封装函数 f ,使 f 的 this 指向指定的对象

思路:

看到题目要求,首先应该想到js 中改变this 指向的三个方法 (bind , apply ,call),这样就能够解决该问题了。


方案1:

function bindThis(f,oTarget){

return function (){

return f.apply(oTarget,arguments);

};

}

方案2:

function bindThis(f,oTarget){

return f.bind(oTarget);

}


方案3:

function bindThis(f, oTarget) {
    return function(x,y){
        return f.call(oTarget,x,y);
    };

}

贝壳前端秋招笔试复盘:考点解析与编程题实战思路 在互联网公司校招流程中,前端笔试往往是筛人最狠的一环,考察范围看似庞杂,实则高频考点非常集中。JavaScript核心机制与浏览器工作原理是重中之重,例如事件循环中宏任务与微任务的执行顺序、HTTP缓存中强缓存与协商缓存的协作方式,都是选择题和编程题的高频出处。理解这些底层概念,不仅有助于应对考察代码输出顺序与网络字段组合的题目,更能支撑起实际项目中的页面性能优化与异步请求控制。对于准备秋招或春招的开发者而言,围绕JS运行机制、渲染流程、框架设计思想和数据处理逻辑进行系统复习,比盲目刷题更有效。本文以贝壳找 阅读详情

相关推荐

OpenV2X 车路协同开源平台 Columbia 版本正式发布!

OpenV2X车路协同开源平台Columbia 版本正式发布!

weixin_65571684的博客 1198

js基础题目

js基础题,js面试题目,前端面试

初入社会的前端程序员 448

【项目立项管理、项目整合管理】30天通过软考高项-第二天

①项目或阶段的概述;②范围目标、范围的评估标准,证明达到完⼯标准的证据;③质量目标、项目和产品质量的评估标准、相关核实信息和实际里程碑交付日期以及偏差原因;④成本目标,包括可接受的成本区间、实际成本,产⽣任何偏差的原因等;⑤最终产品、服务或成果的确认信息的总结;⑥进度计划目标,包括成果是否实现项目预期效益:如果在项目结束时未能实现效益,则指出效益实现程度并预计未来实现情况;

weixin_42520723的博客 1000

前端大挑战

3.查找两个节点的最近的一个共同父节点,可以包括节点自身 输入描述 oNode1 和 oNode2 在同一文档中,且不会为相同的节点 function commonParentNode(oNode1, oNode2) { if(oNode1.contains(oNode2)){ return oNode1 }else{ return argumen...

qq_39914587的博客 544

英飞凌TC3xx实战:PWM中点触发ADC采集+DMA自动搬运完整配置流程(基于ILLD库)

本文详细介绍了在英飞凌TC3xx系列微控制器上使用ILLD库实现PWM中点触发ADC采集并通过DMA自动搬运数据的完整配置流程。该方案适用于电机控制、电源管理等需要高精度定时采集的场景,通过GTM生成PWM信号、ADC采集和DMA传输实现全硬件自动化流程,显著提升系统效率。

weixin_42536058的博客 534

无法找到来自源 nvlddmkm 的事件 ID 14 的描述

具体错误是: 无法找到来自源 nvlddmkm 的事件 ID 14 的描述。本地计算机上未安装引发此事件的组件,或者安装已损坏。可以安装或修复本地计算机上的组件。 出现这样错误的原因有很多了,有可能是硬件有可能是软件。由于我是刚配置的电脑,起初非常怀疑是自己组装的问题,折腾了好久,心态爆炸!!!先说我报这样错误的情况,以及解决办法,供后面人参考。 ...

SeventhBlue 6万+

封装函数 f,使 f 的 this 指向指定的对象

考虑兼容性对bind进行了判断,ECMAScript 5 还定义了一个方法:bind(),支持的浏览器不多 apply之所以要放在一个函数里面是因为bind是返回一个函数表达式,而apply方法是立即执行函数,所以需要把apply放在一个函数里面,return了以后不会立即执行,到调用的时候再立即执行。 function bindThis(f, oTarget) { if (f.bind)...

敲敲的博客 485

YOLO26涨点改进 | 全网独家创新,注意力改进篇 | TGRS 2025 | 引入APCM自适应像素级协同机制,动态增强目标区域、抑制背景噪声,助力YOLO26做红外小目标检测有效涨点

本文提出一种基于APCM模块改进的YOLO26网络模型,通过像素级局部-全局协同建模动态增强目标特征并抑制背景噪声。APCM模块采用轻量化设计,无需复杂参数,在特征提取阶段有效提升目标区域特征表达质量,尤其适用于低对比度和复杂场景下的目标检测。实验表明,该方法能显著提高小目标检测精度和模型鲁棒性,同时保持较低计算开销。模块通过局部特征分支和全局特征分支的协同融合,实现了对红外小目标的有效增强,在NUAA-SIRST和IRSTD-1K数据集上性能优于现有方法。文章还提供了完整的代码实现和配置指南。

Ai缝合怪、助力小伙伴高效发论文 190

前端大挑战——前端面试题总结

1.封装函数 f,使 f 的 this 指向指定的对象(修改this指向) 1 function bindThis(f, oTarget) { 2 return f.bind(oTarget); 3 } 2.获取 url 中的参数  1). 指定参数名称,返回该参数的值 或者 空字符串  2). 不指定参数名称,返回全部的参数对象 或者 {}  3). 如果存在多个同名参数...

weixin_30247159的博客 146

099、多摄融合与变焦系统:广角到长焦的无缝切换算法

本文分享了多摄融合与变焦系统开发中的实战经验和关键挑战。作者通过一个旗舰机项目案例,揭示了广角到长焦切换时画面抖动问题的根源——融合算法误将视差当作运动补偿,并提出"视差冻结窗口"的解决方案。文章总结了三大多摄融合难点:物理视差处理、亮度差异补偿和切换时机把控,详细阐述了分层架构设计、融合权重计算等核心技术。同时强调了产线校准的重要性,并给出五项实用建议:允许边缘鬼影保留、参数场景化配置、加强产线检测、完善调试接口,以及合理运用AI技术。全文展现了多摄融合技术在时间、空间和感知维度上的复杂平衡艺术。

sundong_81的博客 48

华为OD面试八股真题 - 操作系统 - 1

华为OD技术面,操作系统相关八股真题提供详细解答,这篇博客主要涉及于进程和线程相关知识点

qq_45776114的博客 1640

js基础编程题(持续更新)

持续更新基础编程题,练习逻辑

qq_54250695的博客 2943

智能手表 BOM 表与版本管理记录

试产与量产阶段 智能手表 BOM 表与版本管理记录

hoony123的博客 1053

Play Integrity Fix 完整安装配置指南:让 Root 设备快速通过 Play 认证

Play Integrity Fix 是一款面向 Android 8–15 设备的开源 Zygisk 模块,专门服务已解锁 Bootloader 或已安装 Magisk 的用户:它改写 Play Integrity 与 SafetyNet 所读取的设备身份信息,修复"设备未认证"问题,让银行、支付等受认证的应用恢复可用。本文一次讲清安装、配置与排错。 ## 🧭 谁该用 Play Integri

gitblog_00055的博客 335

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

前端挑战之js编程题(2)

题目要求: 实现对一个现有的数组去除重复元素,并返回去除重复元素的数组。 方案: var  arr1=[1,2,3,1,4,5,3,6] arr2=[] for(var i=0,len=arr1.length;i if(arr2.indexOf(arr[i]) arr2.push(arr[i]); } } cons

云飞 747

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

前端编程题总结

进入刷编程题的阶段,从牛客网开始。尝试着自己写,写不出来的时候会去大佬们的博客找一些答案,然后自己试着去理解,虽然一开始基本没写出来可以通过的代码,但是接下来的训练,希望有所成效。 参考文档: https://segmentfault.com/a/1190000002976199#articleHeader0 https://www.nowcoder.com/questionTerminal...

瘦肉的博客 2064

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

搜狐2017 WEB前端开发 秋招笔试编程题

搜狐2017 WEB前端开发 秋招笔试编程题

桐匠的博客 935

前端编程题

1、给定一个字符串,验证它是否是回文串,只考虑字母和数字字符,可以忽略字母的大小写 说明:本题中,我们将空字符串定义为有效的回文串。 示例 1: 输入: “A man, a plan, a canal: Panama” 输出: true 示例 2: 输入: “race a car” 输出: false function cheackstr(s){ if (s.length === 1) console.log(true) const str = s.replace(/[^a-zA-Z0-9]/g, "

zshmiao的博客 1057

九九乘法表、java、MySQL 编程题

JavaScript 编写九九乘法表<!doctype html> <html > <head> <meta charset="UTF-8"> <title>20171031</title> </head> <body> <script> for( var a = 1; a < 10; a++ ) { for( var b = 1; b <= a; b++ )

aa8866a的博客 1089

JavaScript程序设计复习(编程题)

2、实现动态显示本地时间 3、获取表单控件里的值 4、获取表格里值的和 5、选定某个班级,出现对应班同学名字的下拉框,并且将选中的班级和同学名字打印在屏幕上。 6、设置一个定时器,每隔两秒自动切换图片 7、鼠标悬浮,随机切换图片 8、输入三位同学的生日,输出哪两位同学生日相隔天数最少,并输出天数。 9、计算出10~2000内的偶数之和............

qq_55786319的博客 679

去哪儿网2017校招在线笔试(前端工程师)编程题及JavaScript代码

编程题很简单。整个试卷结构为: 一、问答题: 对前端的理解,了解哪些框架库? 二、在线编程题:身份证分组 如下第一道:身份证分组 三、在线编程题:身份证分组、统计字符、酒店价格(三选二) 如下第二三四道题中三选二作答。 我也搞不懂为什么有两部分编程题~~~下面详细说一说编程题目及JS代码实现: 第一道:身份证分组 代码: ...

weixin_30409849的博客 158

记录菜鸡前端面试日记--字节跳动

今天面试字节跳动,前端开发,第一次面试好紧张呢。我一早就知道自己很菜,收到这个面试通知的时候还是蛮惊讶的。当时电话里hr和我说给我一周的准备时间,本来以为还挺好,没想到菜鸡终究是菜鸡,那个星期除了紧张只有紧张,恶补了一些前端的知识,从css到js到es6到计网,结果在面试的时候,都禁不起考究,只能答到一些皮毛。谨以此文,献给菜鸡的自己,方便一年后回来笑话自己。 1.自我介绍 看了网上很多自我介绍的案例,知道自我介绍还是有很多学问的。不能夸大其词,对提到的东西要十分小心,可能就在后面被问到了。所以我也特别准

weixin_44021659的博客 532

1小时打造个性化前端面试题库原型

最近在准备前端面试时,发现市面上的题库要么太基础,要么不够个性化。整个过程只用了1小时左右,效果出乎意料地好,分享下我的实现思路。首先明确核心功能需求:管理员可以添加题目(包括选择题和编程题),用户能答题并自动判分,最后生成可分享的PDF面试报告。考虑到开发效率,选择了Next.js全栈框架,这样前后端可以统一管理。写完代码后,只需要简单配置就能把项目部署上线,完全不需要操心服务器环境等问题。从开发到部署,整个过程流畅得不可思议,特别适合个人开发者和小团队快速验证产品想法。用户管理:查看用户答题情况。

StarfallRaven13的博客 445

前端面试技巧

前端面试葵花宝典 今天参加了一个分享大会,是关于前端面试的,虽然自己目前并无跳槽面试需求,但是觉得了解一下行业标准对自己现在查缺补漏更好一些。大会是线上的从早晨9点就开始了,一直到晚上七点多才结束,其实里面有10个分享嘉宾,不过我开头和中间有事都没有听见,听到的4~5个分享讲师分享的内容真的是干货满满,有点相见恨晚的感觉,于是会后我就想整理一下,让更多人也能有机会更早知道这些面试规则和技巧,早知道早去练习这些能力。对于准备跳槽的小伙伴会更有帮助。 注意:本文内容来自如下大会的各个大佬的讲课内容,我边听边做了

LittleRoundFace的博客 2926

前端小白的学习历程

本文会不断更新,用于记录自己从0开始学前端的过程。 基础学习总结 下一步计划,疑问求助

jiueXY的博客 3340
上一篇: JS之事件委托
下一篇: 前端挑战之js编程题(1)
炸鸡大叔
博客等级 码龄11年 90粉丝 50原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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