$(function()) 什么意思

plglenn6 2009-11-10 08:00:06
<script type="text/javascript">
//<![CDATA[
$(function()什么东东??{
var x = 10;
var y = 20;
$("a.tooltip").mouseover(function(e){
this.myTitle = this.title;
this.title = "";
var tooltip = "<div id='tooltip'>"+ this.myTitle +"<\/div>"; //创建 div 元素
$("body").append(tooltip); //把它追加到文档中
$("#tooltip")
.css({
"top": (e.pageY+y) + "px",
"left": (e.pageX+x) + "px"
}).show("fast"); //设置x坐标和y坐标,并且显示
}).mouseout(function(){
this.title = this.myTitle;
$("#tooltip").remove(); //移除
}).mousemove(function(e){
$("#tooltip")
.css({
"top": (e.pageY+y) + "px",
"left": (e.pageX+x) + "px"
});
});
})
//]]>
</script>




<script type="text/javascript">
//<![CDATA[
$(function()什么东东??{
var x = 10;
var y = 20;
$("a.tooltip").mouseover(function(e){
this.myTitle = this.title;
this.title = "";
var tooltip = "<div id='tooltip'>"+ this.myTitle +"<\/div>"; //创建 div 元素
$("body").append(tooltip); //把它追加到文档中
$("#tooltip")
.css({
"top": (e.pageY+y) + "px",
"left": (e.pageX+x) + "px"
}).show("fast"); //设置x坐标和y坐标,并且显示
}).mouseout(function(){
this.title = this.myTitle;
$("#tooltip").remove(); //移除
}).mousemove(function(e){
$("#tooltip")
.css({
"top": (e.pageY+y) + "px",
"left": (e.pageX+x) + "px"
});
});
})
//]]>
</script>


...全文
1082 8 打赏 收藏 举报
写回复
用AI写文章
8 条回复
切换为时间正序
请发表友善的回复…
发表回复
V68V6 2009-11-10
  • 打赏
  • 举报
回复
这贴结的好快,要是如梦没拿到分的话。我差点误认为是倒分了。。。。

小赞一下结贴率
V68V6 2009-11-10
  • 打赏
  • 举报
回复
js脚本语言中的方法体,可以实现相关功能。。。
参考

建议JS细节问题转战WEB开发版Javascript子版
wuyq11 2009-11-10
  • 打赏
  • 举报
回复
多个 javascript 框架 都是用 $ 来做选择器,混合使用时容易出错。为避免冲突 可以写成
jQuery(function(){

});

lzsh0622 2009-11-10
  • 打赏
  • 举报
回复
函数声明
wuyq11 2009-11-10
  • 打赏
  • 举报
回复
注册的函数会按照(代码中的)先后顺序依次执行可以简写为
$(function(){
// 代码
});


SQL77 2009-11-10
  • 打赏
  • 举报
回复
函数,就是一个方法吧
goingshow 2009-11-10
  • 打赏
  • 举报
回复
加载jquery框架
内容概要:本文介绍了一个基于Python的WGAN-LSTM混合模型,用于解决复杂时间序列预测问题。该模型结合瓦瑟斯坦生成对抗网络(WGAN)与长短期记忆网络(LSTM),利用LSTM捕捉时间序列中的长期依赖和动态趋势,通过WGAN的生成器与评价器对抗训练,使预测结果不仅贴近真实值,还能更好地保留数据分布特征,如波动性、尖峰和异常变化。项目采用PyTorch实现,涵盖数据预处理、滑动窗口构建、标准化、条件生成器与评价器设计、梯度惩罚机制、联合损失优化及模型评估全流程,并支持多变量输入与不确定性建模,适用于非线性、非平稳、高波动场景的单步预测。; 适合人群:具备Python编程基础和深度学习背景,熟悉PyTorch框架,从事时间序列分析、AI建模或数据科学相关工作的研究人员、工程师及高校学生(建议有1年以上相关经验); 使用场景及目标:①应用于金融价格、电力负荷、设备传感、市场需求等高波动时间序列的精准预测;②实现对未来不确定性的量化表达,支持风险评估、区间预测与情景模拟;③提升传统回归模型对异常波动的识别能力,优化预警与决策系统; 阅读建议:本文提供完整代码结构与核心实现片段,建议结合完整项目代码、数据集和博客文档进行复现与调试,重点关注对抗训练稳定性、梯度惩罚实现及多损失权重平衡策略,以深入掌握WGAN-LSTM在时序建模中的工程应用细节。

87,984

社区成员

发帖
与我相关
我的任务
社区描述
Web 开发 JavaScript
社区管理员
  • JavaScript
  • 无·法
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧