web前端JS—基本语法

优质文章学习记录

— 1 min read

一、引入方式

1、内部脚本：将代码定义在HTML页面里面

  • 将JS定义在<script></script>之间
  • 可以在html里面的任意位置放置任意数量的<script></script>
  • 一般放置在<body>元素的底部，改善显示速度
<script> console.log('页面加载时执行'); function localFunction() { return '内部函数'; } </script>

2、外部脚本：额外定义一个.js文件，引入到HTML里面

  • 只能包含js文件，不包含<script>标签
 <script src="app.js"></script>
  • <script>不能自闭合
<script src="https://cdn.example.com/lib.js" integrity="sha384-xxx" crossorigin="anonymous"> </script>

二、基本语法

1. 变量声明

JavaScript 提供了三种声明变量的方式：

  • var：传统声明方式，存在变量提升，函数作用域。        
    • 全局变量，作用域较大；
    • 可以重复定义
  • let：ES6 引入，块级作用域，不存在变量提升，不允许重复声明。
    • 局部定义，不能重复定义
  • const：ES6 引入，块级作用域，声明常量，不可重新赋值（但对象或数组的内容可以修改）。
  • 原始类型：Number、String、Boolean、Null、Undefined、Symbol（ES6）、BigInt（ES2020）。
  • 引用类型：Object（包括Ar

2. 数据类型

JavaScript 是动态类型语言，拥有以下几种基本数据类型和引用类型：

var x=20； x="LXX";

Read more

Llama Factory数据预处理：高质量训练集构建实战方法

Llama Factory数据预处理：高质量训练集构建实战方法 如果你正在尝试用Llama Factory微调自己的大模型，可能会发现一个有趣的现象：同样的模型、同样的训练参数，不同人训练出来的效果天差地别。有人训练出的模型对答如流、专业精准，有人训练出的模型却答非所问、逻辑混乱。 这背后的关键差异，往往不是训练技巧有多高明，而是数据预处理的质量。 数据预处理就像做饭前的食材准备——再好的厨师，用烂食材也做不出美味佳肴。在Llama Factory这个“零代码”微调平台上，数据预处理更是决定了你最终模型效果的上限。 今天，我就带你深入Llama Factory的数据预处理环节，分享一套经过实战验证的高质量训练集构建方法。无论你是想训练客服助手、代码生成器，还是专业领域问答模型，这套方法都能帮你构建出真正有效的训练数据。 1. 为什么数据预处理如此重要？ 在开始具体操作之前，我们先搞清楚一个核心问题：为什么在Llama Factory这样的可视化平台上，数据预处理依然如此关键？ 1.1 数据质量决定模型上限 大模型微调的本质，是让模型“学习”你提供的数据中的模式和规律。
FLUX.2[klein]开源！小香蕉平替，本地部署AI绘画的极简方案

FLUX.2[klein]开源！小香蕉平替，本地部署AI绘画的极简方案

文章目录 * 前言 * 一、FLUX.2[klein]到底香在哪？ * 二、部署前准备：硬件+环境一键搞定 * 1. 硬件要求（最低配置） * 2. 环境安装（3行命令搞定） * 三、极简部署方案：2种方式任选（新手首选方式1） * 方式1：Python脚本一键运行（纯代码，无界面，最快上手） * 步骤1：创建运行脚本 * 步骤2：运行脚本 * 方式2：ComfyUI可视化部署（适合喜欢拖拽操作的用户） * 步骤1：安装ComfyUI * 步骤2：下载FLUX.2[klein]模型 * 步骤3：启动ComfyUI并加载工作流 * 四、常见问题&优化技巧 * 1. 显存不足怎么办？ * 2. 模型下载慢/

2025 Whisper 模型下载导航：各版本、各格式一站获取

以下是关于Whisper语音识别模型的下载导航指南（基于当前最新版本信息，2025版尚未发布）。我们将从版本选择、格式说明到具体下载方式逐步说明： 一、核心版本选择 Whisper提供5种规模版本，性能与资源需求平衡如下： 版本参数量内存需求多语言推荐场景tiny39M~1GB✓移动端/嵌入式设备base74M~1.5GB✓实时转录small244M~2.5GB✓日常办公场景medium769M~5.5GB✓专业音频处理large1.5B~10.5GB✓研究级高精度识别 注：2025版本尚未发布，建议通过官方渠道跟踪更新：OpenAI博客 二、模型格式说明 三种主流格式适用不同开发环境： 1. PyTorch格式（.pt） * 原生支持：通过pip install openai-whisper安装后自动加载 * 下载目录：https://openaipublic.azureedge.net/main/whisper/models/{model_id}

MiniCPM-V-2_6数字孪生：工厂实景图识别+IoT数据关联可视化教程

MiniCPM-V-2_6数字孪生：工厂实景图识别+IoT数据关联可视化教程 想象一下，你走进一个现代化的工厂，墙上挂满了各种仪表盘和监控屏幕。你能看到生产线的实时画面，也能看到温度、湿度、设备转速等一串串数据。但问题是，这些画面和数据是割裂的——你看到画面里一台机器在运转，却需要去另一个系统里查找它的运行参数。 有没有一种方法，能让AI“看懂”工厂的实时监控画面，自动识别出画面中的设备、区域甚至异常状态，然后立刻把对应的物联网传感器数据调取出来，在一个界面上进行可视化展示？ 这就是我们今天要做的：利用MiniCPM-V-2_6这个强大的视觉多模态模型，打造一个轻量级的数字孪生原型系统。它不仅能识别工厂实景图中的关键元素，还能智能关联后台的IoT数据流，实现“所见即所得”的数据洞察。整个过程基于Ollama部署，简单易上手，让我们一起看看如何实现。 1. 项目概述与核心价值 在开始动手之前，我们先明确一下这个项目到底要解决什么问题，以及它能带来什么价值。 1.1 我们要解决什么问题？ 传统工厂的监控系统通常面临两个挑战： 1. 视觉与数据分离：视频监控系统负责“看”