CSS复习

ai获客系统功能代码 AI 获客系统是一个复杂的体系,以下为你提供一个简化的 Python 示例,聚焦于客户行为分析与销售线索筛选功能,模拟实现从多渠道收集数据后的初步处理流程。假设已有从官网、线上商城等渠道收集到的客户数据,以字典列表形式存储,每个字典包含客户基本信息及购买行为数据。通过分析客户购买频率与金额,筛选出高价值销售线索。python上述代码仅为基础示例,实际 AI 获客系统还涉及更复杂的数据采集、清洗、存储,以及运用机器学习算法进行深度客户洞察等功能。 阅读详情

1.css引入方式:

①行间样式

<div style=""></div>

②页面级css,在head中定义style标签

③外部css

<link rel="stylesheet" type="text/css" href="xxx">

注意:type和rel属性指的是这是一个css文件,可以不写type

2.装饰div的css方式和顺序

!important>行间样式>id>class/属性>标签选择器>通配符选择器

他们是按照权重来排序的,权重是156进制

选择器权重
!importantInfinity(正无穷)
行间样式1000
id100

class/属性/伪类

10
标签/伪元素1
通配符0

属性选择器:通过已存在的属性名和或者属性值匹配元素

3.id和class的区别:一个标签只能有一个id,一个id对应一个标签;一个标签可以有多个class,一个class可以对应多个元素。

4.选择器:

①父子选择器/派生选择器

例:

div em{} 

div下面任意em标签

②直接子元素选择器

例:

div>em

div下面em标签

③ 并列选择器

例:若想让class名为demo盒子名为demo的背景颜色设置成红色?

<div>1</div>
<p class='demo'>2</p>
<div class='demo>3</div>

 标签写前,类名写后

div.demo {
    background-color:red;
}

还可以写成

div[class='demo'] {
    background-color:red;
}

④分组选择器

例:想让em标签和p标签的宽高都设置成200px

em,p {
    width:200px;
    height:200px;
}

扩展:若两个选择器指向同一个元素,则比较权重之和,若权重大的优先执行,若权重相等,则执行最后一个,会覆盖前面的样式。

5.foint-size:指文字的大小,改变的是文字的高度

font-style:字体样式,例如italic斜体

font-weight:字体粗细

font-family:字体包

color:文字颜色,有三种方式

        ①纯英文:red/green....

        ②颜色代码:R       B       G   (red/green/blue)

                            00-ff  00-ff  00-ff   (16进制)

        ③颜色函数 rgb(a,b,c) 0-255  10进制数

6.border:混合属性 (边框粗细)(边框样式)(边框颜色)

由border-width,border-style,border-color组成

7.画出三角形(边框三边透明)

<div></div>
div {
    width: 0;
    height: 0;
    border: 20px solid transparent;
    border-left-color: red;
}

展示效果:

 8.css只有段注释

9.首行缩进:text-indent:2em

1em = 1*font-size

10.像素(px):屏幕是由一个个小像素格组成,每个格一个颜色,分辨率是一英寸容纳像素的大小,是一种相对单位

11.光标元素:cursor:pointer/e-rsize/help...

12,伪类:选择器的一种,css内置类,css内部赋予他一些特性和功能,例如:a:link

13.

①行级元素,内联元素(inline):内容决定元素所占宽高,不可以通过css改变宽高。

例如:<span><strong><em><a><del>

②块级元素(block):独占一行,可以改变宽高

例如:<div><p><form><address><ul><li><ol>

③行级块元素(inline-block):可以改变宽高,内容决定大小

例如:<img>

14.盒模型

 

分为两种:

 ①标准盒模型 

            总宽度:border(左右)+width+padding(左右)

            总高度:border(上下)+height+padding(上下)

  ②IE盒模型(怪异盒模型) 

            总宽度:width

            总高度:height

15.

relative:相对定位,保留原来位置定位

absolute:绝对定位,相对于有定位的父元素进行定位,如果没有,相对文档定位

注意:absolute和relative一般配套使用

16.对于两栏布局,我们可以一个进行定位,另一个自适应让出被压住的部分

17.经典问题

①

<img></img>
<img></img>
<img></img>

img展示的过程中,图片之间会出现间隙

原因:任何文本类元素都具有文本的特性,img是行级块元素,所以可以删除img之间的空格和空行来解决图片之间的缝隙问题。

②

<div>
    <div></div>
<div>

在改变子元素的margin-top的时候,会发现父元素也会跟着一起移动,造成margin塌陷。

原因:父子嵌套在垂直方向的margin是结合在一起的,会使用最大的值。

解决方法:

Ⅰ.给父级元素设置边框(不推荐,因为在需求中对像素非常严格)

 Ⅱ.触发bfc(block format content 块格式上下文),每个元素相当于盒子,每个盒子有自己的语法规则,bfc让该盒子所属的语法规则发生改变。

(1)position:absolute

(2)display:inline-block

(3)float:left/right

  (4)   overflow:hidden

③

span标签及其示意图

<html>
<head>
    <style>
        span{
            margin: 0 100px;
            background-color:#f40;
        }
    </style>

</head>
<body>
    <span>2</span>
    <span>3</span>
</body>
</html>

div标签及其示意图

<html>
<head>
    <style>
        div{
            margin: 100px 0;
            background-color:#f40;
        }
    </style>

</head>
<body>
    <div>2</div>
    <div>3</div>
</body>
</html>

 

 

首先有两个span标签,我们让他们的margin-left和margin-right都设置成100px,可以看到两个元素之间相差200px,当我们把span标签换成div的时候,可以发现div之间的间隔相差100px。

可以看出span不共用区域,而div公用区域,对于这种问题,不做解决,如果div想要上面的效果,可以直接把上面的margin值设成200px。

注意:html结构不能随意更改,结构改动对整体影响很大。

扩展知识:在实际开发过程中,通常先开发css,在开发html,因为在结构中会有很多相似的点,可以先列举出来,然后在赋给html元素。

20.浮动元素float(left/right)

 会使元素向左或者向右移动,其周围元u尿素也会重新排列。浮动元素产生了浮动流,所有产生了浮动流的元素,块级元素看不到他们。

*产生了bfc的元素和文本类属性的元素(如inline)可以看到浮动元素。

21.如果有个div,里面包括这几个div。里层的元素都是浮动元素,div包裹无法里层div,该如何处理?

<html>
<head>
    <style>
        .wrapper {
            border: 1px solid black;
        }
        .content {
            width: 200px;
            height: 30px;
            background-color: red;
            float: left;
        }
    </style>

</head>
<body>
    <div class="wrapper">
        <div class="content"></div>
    </div>
</body>
</html>

 解决方法:①div是块级元素,不能识别浮动元素,可以让父级元素也变成浮动元素

②使用伪元素处理,清除浮动

<html>
<head>
    <style>
        .wrapper {
            border: 1px solid black;
        }
        .content {
            width: 200px;
            height: 30px;
            background-color: red;
            float: left;
        }
        .wrapper::after{
            content: "";
            display: block;
            clear: both;
        }
    </style>

</head>
<body>
    <div class="wrapper">
        <div class="content"></div>
    </div>
</body>
</html>

22.伪元素

①伪元素天生就存在,它存在于css,不存在于html。

②伪元素天生就是行级元素。

注意:凡是设置了position:absolute,float:left/right之后,元素自动变成行级块元素

23.文字溢出处理

①单行文本

overflow:hidden;
white-space:nowrap;(换行不生效)
text-overflow:ellipsis;(超出部分截断,本处作用是溢出部分添加截断符...)

24.背景图片的处理

因为存在背景颜色,所以同理,存在背景图片

background-image:url(//地址)

background-size:(w,h) *宽高 /per(w,h) *百分比 /cover / contain

background-repeat:repeat(默认)/norepeat...

background-position:一个背景图片初始位置

图片的意义:①展示文字展示不了的内容

②替代文字

25.所以再有css条件下,可以使用background-url显示图片,当图片加载不出的时候,我们需要用文字替代。

<html>
<head>
    <style>
        a {
            background-image: url("code.png");
            width: 200px;
            /* 第一种做法 */
            /* display: inline-block;
            white-space:nowrap;
            overflow: hidden;
            height: 200px;
            text-indent: 200px; */
            /* 第二种做法 */
            display: block;
            padding-top: 200px;
            height: 0px;
            overflow: hidden;
        }
    </style>

</head>
<body>
    <a href="#">这是图片</a>
</body>
</html>

注意:为什么不直接用img的alt替代文本,是因为还需要去加载图片的操作,为了加快代码运行效率,推荐使用上图方法。

26.vertical-height:垂直偏移量

用在指定行内元素(inline)和表单元素(tabel-cell)元素的垂直对齐方式。

27.

① 行级元素内部只能放行级元素;

块级元素可以装任何元素;

但是p标签里面不能套div.

② inline和inline-block被称为文本类元素,是因为凡是带有inline的元素都具有文本特性。

③文字特征:下对齐 

④行级块元素或者文本类元素包含文字,那么外面的元素和里面的元素底对齐。

[运动规划算法]基于飞行走廊的轨迹优化 文章目录简介一、介绍二、原理飞行走廊生成三、项目演示参考 简介 Btraj是一个在线的四旋翼无人机的运动规划框架,主要用于未知环境中的自主导航。基于机载状态估计和环境感知,采用基于快速行进(FM *)的路径搜索方法,从基于构建的欧氏距离场(ESDF)中寻找路径,以实现更好的时间分配。通过对环境进行膨胀生成四旋翼无人机的飞行飞行走廊。使用伯恩斯坦多项式将轨迹表示为分段Bezier曲线,并将整个轨迹生成问题转换成凸问题。通过使用Bezier曲线,可以确保轨迹的安全性和高阶动力学可行性,可以将轨迹完全限制在安全 阅读详情

相关推荐

AD9026芯片开发实战:从Example Code到API调用的关键步骤解析

本文详细解析了AD9026芯片开发的核心流程,重点阐述了如何从官方提供的Example Code入手,逐步理解硬件平台发现、HAL层初始化、配置加载、芯片复位、固件启动、JESD链路建立等关键API调用序列。通过剖析示例工程的结构与核心文件,为开发者在自定义硬件平台上移植和调试AD9026驱动提供了清晰的实战指南。

java5的博客 788

css基础重学(快速复习)

css初识 什么是css? 层叠样式表 Cascading style sheets css的作用 对html标签进行美化 css的语法规则 选择器 { css属性名: 值; css属性名: 值; css属性名: 值; css属性名: 值; } 复制代码 css引入方式 内嵌式 将css代码写在style标签中 外链式 需要创建一个以.css为扩展名的文件 在css文件中书写css代码 在需要引入的h...

zouhualong007的博客 800

AxMath行间公式转化为office公式求和符号以及编号显示问题

AxMath行间公式转化为office公式求和符号以及编号显示问题问题描述解决方法 问题描述 首先打出axmath公式,如下: 转换后的OfficeMath公式: 字体先不说,word公式字体默认cambria math且无法编辑。比较难受的一点是求和符号与后面的 ai+bi2a_i+b_i^2ai​+bi2​比例不匹配啊!正常的比例应该是: (虽然也不太正常,将就下) 解决方法 点击变换后的office公式右侧,选择更改为"显示" 可以看到,多了一些软回车符号(⬇),如果你想删除它,不要直接选中

weixin_43543177的博客 4649

CSS知识点复习整理

CSS知识点复习整理1.常用CSS属性2.CSS样式应用到元素上3.内联样式(inline style)4.文档样式表(document style sheet)5.外部样式表6.@import7.CSS选择器(selector)8.通用选择器(universal selector)9.元素选择器(type selectors)10.类选择器(class selectors)11.class注意点12.id选择器(id selectors)13.id注意点14.设置网页图标15.最常用的CSS属性16.CS

qq_47000934的博客 1671

农经权二轮延包—地块示意图生成

本文介绍了地块示意图制作软件的使用方法及模板制作要点。软件通过设置六个参数(示意图模板、属性数据、地块DBF、导航图、地块图片及存放位置)自动生成Word文档,并可导出PDF。文章详细说明了5页Word模板的制作过程,包括页脚三栏设置和页码插入技巧,支持每户最多28个地块的情况。同时指出该软件生成的图片分辨率(300dpi)满足清晰度要求,并提及软件免费提供插件但收费提供后续服务。

weixin_47364423的博客 1114

Oracle入门——基础语法篇

ROWID是Oracle中的一个伪列,用于唯一标识数据库中的每一行。在查询中,可以使用ROWID来定位和操作特定的行,例如,删除特定的行或更新特定的行。在Oracle中,子查询是指嵌套在另一个查询内部的查询语句,它可以作为主查询的一部分,用于提供额外的过滤条件、计算或数据源。在Oracle中,连接查询是通过使用JOIN子句将两个或多个表中的数据合并在一起,以获取满足特定条件的结果集。在Oracle数据库中,ROWID和ROWNUM都是用于对行进行标识和定位的伪列,它们在查询中的使用有一些不同之处。

麦当当的博客 3089

css复习

常见的行内元素有 < a>、< strong>、< b>、< em>、< i>、< del>、< s>、< ins>、< u>、< span>等,其中< span> 标签是最典型的行内元素。在行内元素中有几个特殊的标签 —— < img />、< input />、< td>,它们同时具有块元素和行内元素的特点。常见的块元素有< h1>~< h6>、< p>、< div>、< ul>、< ol>、< li>等,其中 < div> 标签是最典型的块元素。这个是用a链接做的,但是a链接是行内元素;

qq_40992225的博客 576

基于深度学习的垃圾邮件识别

垃圾邮件的大量存在严重威胁着电子邮件系统的安全和效率。基于深度学习的垃圾邮件识别技术已经成为目前最有效的解决方案之一。本文将详细介绍使用深度学习技术进行垃圾邮件识别的方法,并提供相应的代码实现。 随着电子邮件的广泛应用,垃圾邮件的数量不断增加,传统的规则和统计方法已经无法满足对垃圾邮件进行准确识别的需求。深度学习技术以其强大的模式识别能力和自动特征提取能力成为解决垃圾邮件识别难题的有效工具。

一键难忘的博客 1093

一分钟复习完CSS基础知识

默认:rgba(0,0,0,0),transparent。背景图是装饰css样式,不能撑开div。背景图迷人是在水平和垂直方向平铺的。一般先设置背景色,看清盒子的位置。颜色取值:关键字、rgb、rgba、十六进制。

H215919719的博客 239

基于STM32、HAL库的WF162A 11BA T&R气压传感器 驱动程序设计

/ 转换为7位地址。* @param temperature: 存储读取到的温度值(°C)* @param temperature: 存储读取到的温度值(°C)* @param pressure: 存储读取到的压力值(bar)* @param pressure: 存储读取到的压力值(bar)* @param range: 压力范围(bar)

corlin6688的博客 361

【知识分享】CAN总线中终端网络的重要性

P沟道和N沟道晶体管的漏源通态电阻匹配良好时,形成的CANH和CANL信号匹配良好;如果驱动器的一半具有比另一半低得多的导通状态电阻,那么总线共模电压将从VCC/2的显性状态偏离,并回到VCC/2的隐性状态,这将导致每一次状态转换都会伴随着共模电压噪声,从而导致更高水平的传导和辐射能量发射。

一只豌豆象的博客 1543

保姆级教程 CSS 知识点梳理大全,超详细!!!

相邻兄弟选择器(+)介于两个选择器之间,当第二个元素紧跟着第一个元素之后,并且两个元素都是属于同一个父元素的子元素,则第二个元素将被选中。绝对定位的盒子会以自己祖先元素中,离自己最近的拥有定位属性的盒子,当做基准点,这个盒子通常是相对定位的,所以这个性质也叫做子绝父相。所有的HTML标签都可以看成矩形盒子,由width,height,padding、border构成,称为盒子模型。使用display:inline;伪类是添加到选择器的描述性词语,指定要选择的元素的特殊状态,超级链接拥有4个特殊的状态。

2401_83916283的博客 1230

c++对halcon的动态链接库dll封装及调用(细细讲)

本文详细介绍了将Halcon图像处理算法封装为C++动态链接库(DLL)的完整流程,包括7个关键步骤:1)封装Halcon函数并导出CPP文件;2)在C++项目中配置Halcon环境(包含目录、库目录设置);3)验证Halcon代码;4)创建DLL项目并进行环境配置;5)编辑DLL并导出生成文件(.dll、.lib、.h);6)在主项目中配置DLL调用环境;7)编写测试代码验证功能。通过这个流程实现了Halcon算法的模块化封装和复用,文中提供了具体的配置路径和代码示例,重点说明了环境配置细节和文件结构安排

Tianwen_running的博客 966

CSS复习总结

简述:重新整理了一下当初学习css的笔记,复习css主要以实操所需知识点为主,面试系列的css总结会以八股文为主。那些很简单的知识点就没有写入此文中,只将自己比较容易遗漏的或较重要的知识点在此记录,方便日后复习查看。 在head标签中用style标签写样式 外部引入(推荐) 2.字体样式 字体样式综合写法 text-align:文本水平对齐方式,对行内元素、行内块元素都有效果的 line-height:行间距,行高等于高度可以让单行文本垂直居中 text-indent:首行缩进 whi

垂死病中惊坐起,菜鸟竟是我自己,于是含泪写下博客 511

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

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")

CSS知识复习3

CSS3 是 CSS2 的升级版本,它在 CSS2 的基础上,新增了很多强大的新功能,从而解决一些实际面临的问题。CSS3 的新特性如下:新增了更加实用的选择器,例如:动态伪类选择器、目标伪类选择器、伪元素选择器等等。新增了更好的视觉效果,例如:圆角、阴影、渐变等。新增了丰富的背景效果,例如:支持多个背景图片,同时新增了若干个背景相关的属性。新增了全新的布局方案 —— 弹性盒子。新增了 Web 字体,可以显示用户电脑上没有安装的字体。

2401_85837579的博客 1111

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

HTML+CSS(需要复习的重点)

样式表定义如何显示 HTML 元素,就像 HTML 中的字体标签和颜色属性所起的作用那样。样式通常保存在外部的 .css 文件中。我们只需要编辑一个简单的 CSS 文档就可以改变所有页面的布局和外观。

qq_56900294的博客 787

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

css复习资料

垂直方向上相邻的2个margin(margin-top、margin-bottom)有可能会合并为1个margin,这种现象叫做collapse(折叠)如果块级元素的底部线和父元素的底部线重写,并且父元素的高度是auto,那么这个块级元素的margin-bottom值会传递给父元素。:link(未访问)、:visited(已访问)、:hover(鼠标移入)、:active、:focus(键盘焦点)如果块级元素的顶部线和父元素的顶部线重叠,那么这个块级元素的margin-top值会传递给父元素。

weixin_52400789的博客 631

HTML+CSS复习

蓝桥杯WEB备战HTML+CSS部分

凌歆的博客 229

CSS面试复习

CSS复习 HTML 复习 HTML版本 HTML4/4.01(SGML) 超级xml(可扩展标记语言) XHTML(XML) 要求严格,所有的标签、属性小写,属性必须要有值 HTML5 HTML4 XHTML HTML5 标签允许不结束 标签必须结束 标签允许不结束 属性不用带引号 属性必须带引号 属性不用带引号 标签属性可大写 标签属性必须小写且有值 标签属性可大写 Boolean属性可省略值 Boolean属性必须写值 Boolean属性可省略值 w3c的html

qq_45832807的博客 620

CSS 复习

* 通过选择器确定样式的作用范围 *//* 这里选择了 span 元素 */

qq_50249256的博客 706

本周关于复习HTML,css的总结

尺寸与定位:除了前面提到的盒模型相关的尺寸属性,还有 position 属性用于元素定位,static 是默认值即常规流定位,relative 相对定位是相对于元素自身原本位置进行偏移,absolute 绝对定位则是相对于最近的已定位(非 static)祖先元素进行定位,fixed 固定定位会使元素相对于浏览器窗口固定位置,不随页面滚动而改变,常用于导航栏等固定显示的元素,通过 top、bottom、left、right 等属性配合来精确控制元素的位置。<strong> 用于强调重要的文本,使其加粗显示;

2401_89749221的博客 1010

前端_CSS复习

1.绝对定位:最近的祖先元素中,非static定义的元素。text-decoration,文字周围各种线,比如underline下划线。1.4.简写的十六进制表示法 如果每两位相同则可简写为一位#000。px:像素 是逻辑像素 不同电脑1px不一定一样大。一个html页面的设计编写过程,就是布局的过程。2.相对定位:以其自身未偏移前的位置为参照物。在css中,将任意一个元素,都视作一个盒子。逻辑像素:类似缩放,把几个物理像素合成一个。font-size: 30px 字号。

ysy1648067239的博客 1517

CSS思维导图/总结/复习

CSS思维导图/总结/复习

Tie_may的博客 278

html+css知识点复习回顾,复习参考

这里写自定义目录标题一、HTML部分1、两个盒子2、图像标签3、相对路径和绝对路径4、超链接标签5、表格标签6、列表标签7、表单标签8、HTML5新特性二、CSS部分1、CSS选择器2、CSS字体属性3、CSS文本属性4、CSS引入方式5、CSS的元素显示模式6、CSS的背景样式7、CSS三大特性8、盒子模型9、传统网页布局的三种方式10、CSS属性书写顺序(规范代码)11、元素的显示与隐藏12、CSS高级技巧13、CSS3新特性 一、HTML部分 1、两个盒子 <div>、<span&g

weixin_55935744的博客 1470

css复习记录

css复习全记录 本文只是个人复习记录所用,初学者可以借鉴,会写大部分基础的用法,以及我个人的感悟 初学者如果想快速查询可以直接 ctrl +f 找到你想要的,下面的东西都是实际中用到的。 理论: css 规则由两个主要的部分组成 选择器和一条声明或者多条声明 选择器 :需要改变的样式的html元素 属性:希望设置的样式属性 声明: 以分号;分开,声明组 以大括号{}括起来 table{ p...

qq_36874480的博客 303

CSS知识复习1

复合选择器建立在基本选择器之上,由多个基础选择器,通过不同的方式组合而成。复合选择器可以在复杂结构中,快速而准确的选中元素。

2401_85837579的博客 1110
上一篇: HTML复习
下一篇: JavaScript复习笔记
顺顺不吃竹笋
博客等级 码龄10年 32粉丝 53原创
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
 
 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