HTML+JS 特效- 浮动气泡

用JavaScript打造灵动气泡飞舞特效:从原理到实战的创意之旅 就像现实中的气泡会受到浮力、空气阻力和随机气流的影响,我们的虚拟气泡也需要构建完整的运动体系。当你在浏览网页时,突然看到一群晶莹剔透的气泡从屏幕底部轻盈升起,它们或快或慢地舞动着,在阳光下折射出彩虹般的光泽,甚至会在鼠标经过时俏皮地躲开——这就是JavaScript气泡特效的魅力。在这个由像素和代码构成的世界里,每一个飘逸的气泡都是理性与感性的完美结合。更复杂的实现包括:1)气泡碰撞融合效果 2)AR版本的气泡互动 3)结合WebAudio实现声控气泡 4)添加物理引擎模拟流体运动。【气泡特效的物理奥秘】 阅读详情

浮动气泡 特效

实现代码

在HTML中添加canvas的条目,然后将下面的JS代码copy到下面。两个定时器分别实现更新canvas和更新气泡大小位置等等。

window.onload = function(){
            var oc = document.querySelector("canvas");
            if (oc.getContext){
                var ctx = oc.getContext("2d");
                var arr = [];
                setInterval(function(){
                    console.log(arr);
                    // 在绘画之前,对数组arr内部的参数值进行改变,以达到运动的效果
                    ctx.clearRect(0,0,oc.width,oc.height);
                    for(var i =0;i<arr.length;i++){
                        arr[i].degree++;
                        arr[i].x = arr[i].startX + Math.sin(arr[i].degree* Math.PI/180)*arr[i].step*2;
                        arr[i].y = arr[i].startY - (arr[i].degree* Math.PI/180)*arr[i].step*5;
                        console.log(arr[i].y);
                        if (arr[i].y <= arr[i].r){
                            arr.splice(i,1); 
                        }
                        arr[i].alp-=0.001;
                    }
                    //对已经更改好的数组对应的圆进行绘画。
                    for (var i = 0; i<arr.length; i++){
                        ctx.save();
                        ctx.fillStyle = "rgba("+arr[i].red+","+arr[i].green+","+arr[i].blue+","+arr[i].alp+")";
                        ctx.beginPath();
                        ctx.arc(arr[i].x,arr[i].y,arr[i].r,0,2*Math.PI);
                        ctx.fill();
                        ctx.restore();
                    }
                },1000/60);
                // 在arr中注入随机圆信息
                setInterval(function(){
                    var x = Math.random()*oc.width;
                    var r = Math.random()*10+5;
                    var y = oc.height -r ;
                    var red = Math.round(Math.random()*255);
                    var green = Math.round(Math.random()*255);
                    var blue = Math.round(Math.random()*255);
                    var alp = 1;
                    var degree = 0;
                    var startX = x;
                    var startY = y;
                    var step = 10;
                    arr.push({
                        x: x,
                        y: y,
                        r: r,
                        red: red,
                        green: green,
                        blue: blue,
                        alp : alp,
                        degree : degree,
                        startX: startX,
                        startY: startY,
                        step: step
                    });
                },200)
            }

实现效果

在这里插入图片描述

three.js 让鱼的图片活起来 阅读详情

相关推荐

JavaScript中有趣的气泡加载效果

在本篇文章中,我将向您展示如何使用JavaScript创建一个有趣的气泡加载效果。在本篇文章中,我将向您展示如何使用JavaScript创建一个有趣的气泡加载效果。首先,我们需要创建一个HTML文件,并在其中包含一个用于显示气泡的容器元素。首先,我们需要创建一个HTML文件,并在其中包含一个用于显示气泡的容器元素。在上面的JavaScript代码中,我们首先获取了容器元素,并定义了一个。在上面的JavaScript代码中,我们首先获取了容器元素,并定义了一个。然后,我们将气泡添加到容器中,并调用。

debug_bug142的博客 333

Python 程序的输出 | 第一套

预测以下 python 程序的输出: 程序一: r = lambda q: q * 2 s = lambda q: q * 3 x = 2 x = r(x) x = s(x) x = r(x) print (x) 输出: 24 解释: 在上述程序中,r 和 s 是 lambda 函数或匿名函数,q 是这两个函数的参数。在第一步中,我们将 x 初始化为 2。在第二步中,我们将 x 作为参数传递给 lambda 函数 r,这将返回存储在 x 中的 x*2。也就是说,现在 x = 4。同样,在第三步中,我们将

努力是为了站在万人之中,成为别人的光 3万+

创建彩色气泡浮动动画的JavaScript教程

htmltable {th, td {th {pre {简介:本文介绍如何运用JavaScript和HTML5 Canvas元素制作一款富有吸引力的彩色气泡浮动动画特效。这将增强网站的动态视觉效果和用户界面的互动性。文章将涵盖HTML5 Canvas绘图、JavaScript基础、对象和数组操作、事件循环和定时器应用、Canvas的绘图API、数学运算与随机数生成、碰撞检测、性能优化以及CSS样式的应用等关键知识点。

weixin_35045970的博客 967

不重叠且分布均匀的气泡图解决方案(基于echarts)

气泡图是数据可视化需求中的一种常见图表形式。然而截至目前,像echarts,d3,higncharts都还没有直接提供一个配置来完成不重叠且分布均匀的气泡图这项工作。幸运的是,我们可以通过配置echart的关系图来完成我们的气泡图需求。 下面是完成后的气泡图效果(数据加载后有一个动画效果,而且气泡支持拖动,下方动图不和谐的地方为鼠标拖动): 最终稳定之后的效果如下: 为了有更好的适用性,这里把绘制气泡图的操作都封装到了一个函数里面。以Vue项目为例,要完...

qq_34295211的博客 1万+

CSS3实现热点地图气泡提示框动画特效完整设计

htmltable {th, td {th {pre {简介:本文介绍如何使用CSS3技术制作交互式热点地图中的气泡提示框动画特效。通过结合CSS3的@keyframes动画、伪元素绘制、过渡效果与JavaScript地理数据处理,实现美观且响应式的提示框展示。项目涵盖从动画定义、样式设计到地图集成的全过程,适用于Web端地图应用开发,提升用户交互体验。

weixin_34718952的博客 1322

webview腾讯x5内核离线安装

离线集成腾讯TBS浏览器服务,彻底解决官方下载限流问题,永久免费

观千剑而后识器,操千曲而后晓声。 7926

JS_固定区域内的不重叠随机圆,随机气泡,固定区域、不重叠、随机圆,半径固定、半径随机

关键词:js、固定区域、不重叠、随机圆,半径固定、半径随机 需求在一个固定的区域(500X500)内显示10个圆,且半径固定,而且不重叠 因为圆的个数固定,而且半径固定,那么就有可能会没有解决方案。 不过其实也没有很难,处理好半径的最大值就好了。思路: 固定半径随机半径

小歪博客 1312

02.1 知识图谱工具 Protege的下载安装与使用

Protege的下载安装与使用 本文是王昊奋老师《知识图谱》系列笔记第2.1篇。 文章目录Protege的下载安装与使用0 相关介绍0.0 Protege相关介绍0.1 Protégé的特点0.2 Protégé的用途1 Protege的下载1.1 准备工作:安装配置JAVA环境1.2 官网下载2 Protege的安装2.1 直接解压缩2.2 双击运行3 Protege的使用实例-创建类...

和而不流 7万+

HTML+JS实现小视频app源码特效,浮动气泡

小视频app源码特效浮动气泡实现的相关代码 在HTML中添加canvas的条目,然后将下面的JS代码copy到下面。两个定时器分别实现更新canvas和更新气泡大小位置等等。 window.onload = function(){ var oc = document.querySelector("canvas"); if (oc.getContext){ var ctx = oc.getContext("2d");

云豹网络科技 335

EBSD数据转ABAQUS的inp文件实操指南

晶体塑性有限元模拟中,如何将材料微观组织表征数据转化为可计算的有限元模型,是连接实验与仿真的关键环节。EBSD技术能够获取材料表面的晶体取向、晶粒形貌和晶界分布信息,但这类数据需要经过格式解析、欧拉角转换、网格生成等步骤,才能被ABAQUS等有限元软件读取。通过将扫描点坐标映射为节点、按像素邻域生成单元,并将Bunge约定欧拉角变换为局部坐标系方向余弦,用户可以准确构建包含真实微观结构的inp文件模型。这一流程广泛应用于金属材料形变、织构演化及应力集中分析等研究场景,有效提升仿真结果与实验的一致性。围绕数据

weixin_42509513的博客 314

数据结构实验1 集合的交、并、差

姓名:Far_Rainbow 学号: 202505000X 专业: 软件工程 年级:2020级 实验名称:实验1 集合的交、并、差 实验内容: (1)实验目的 通过该实验,让学生复习巩固C语言中的循环结构、循环控制条件、分支结构和数组/链表、函数的调用等有关内容,体会到用数组存储集合时,需要记录集合元素的个数,否则输出结果会出现数据越界现象。 (2)实验内容 通过键盘,分别输入两个数据元素类型为正整数的集合A和B,以负数输入为结束条件,输出两个集合的交、并、差。 (3)实验要求 从程序完善性上考虑,集合元

Far_Rainbow的博客 2179

分享100个好看且实用的JavaScript特效

分享100个好看且实用的JavaScript特效 分享100个好看且实用的JavaScript特效,总有一款适合你,小弟在某付费网站上收集的,虽然不是我的原创但是小弟这100个Js也是花了很多时日! 下面是PPT的名字,我放了一些图片,所有图片全都放进去是不行的100个图太多,大家下载后可以看到。 彩色发光的黑洞CSS3特效 纯CSS3边框按钮悬停特效 HTML5彩虹波浪动画特效 ECharts企业组织架构图代码 CSS3 SVG清空回收站按钮特效 HTML5打雷闪电下雨特效 jQuery数字百分比加载

zy0412326的专栏 2万+

【机器人学】常用的小车底盘运动学模型推导(附C++代码)

认知有限,望大家多多包涵,有什么问题也希望能够与大家多交流,共同成长!本文先对小车底盘运动学模型介绍做个简单的介绍,具体内容后续再更,其他模块可以参考去我其他文章提示:以下是本篇文章正文内容对于小车的分析,仅仅考虑XY轴的线速度和Z轴的角速度,不考虑和横滚和俯仰的速度,【防盗标记–盒子君hzj】也不考虑Z轴的高度变化【即:车底盘的运动可以用三个独立变量来描述:x轴平动、y轴平动、yaw轴转动】

qq_35635374的博客 1932

分享88个html5特效,总有一款适合您

学习知识费力气,收集整理更不易。知识付费甚欢喜,为咱码农谋福利。HTML5 Canvas+WebGL酷炫3D噪音线条动画特效。html5 canvas模糊圆点粒子炫酷背景动画特效。HTML5 Canvas酷炫彩色圆形粒子爆炸动画特效。html5 canvas彩色虚幻滤镜渲染背景动画特效。html5 canvas科幻磁场动力吸引背景动画特效。HTML5 Canvas彩色发光线条波浪背景动画特效。HTML5+Canvas星星流星夜空背景动画特效。HTML5 Canvas飞机线条弧度飞行动画特效。

zy0412326的专栏 1272

YOLOv11改进策略【卷积层】| ICCV-2023 LSK大核选择模块 包含二次独家创新

LSK module是。

Limiiiing的博客 1388

c++ webrtc基础(1) :webrtc源码下载与编译、项目模块介绍、学习资料推荐

本篇博客介绍webrtc源码的下载与编译,以及推荐webrtc学习资料。 源码下载 电脑环境:win10/win11 64bit,合理的上网环境,没有合理的网络环境无法拉取、下载webrtc代码和工具,宽带速度要快,尽量50M. 主要步骤如下: (1) 安装git (2) 打开cmd控制台,下载google开发工具depot_tools: git clone https://chromium.googlesource.com/chromium/tools/depot_tools.git (3) 新建一个目

琅嬛福地 3300

HTML5网页底部圆点气泡js特效

下载地址 HTML5网页底部圆点气泡特效是一款基于HTML5 Canvas制作的全屏页面底部圆点悬浮上升动画特效。 dd:

ICode联盟 349

基于滤波反投影的图像重建算法matlab仿真

基于滤波反投影的图像重建算法是一种用于医学影像重建的计算机辅助技术。该算法可以从投影数据中重建出高质量的三维图像,被广泛应用于医学影像学、CT、PET等领域。本文将详细介绍基于滤波反投影的图像重建算法的原理、步骤和应用。一、原理介绍基于滤波反投影的图像重建算法基于X射线CT成像原理,它的主要思想是通过对投影数据进行处理,反推出被成像物体的三维形状。其核心原理是投影数据与目标物体之间的线性关系,即通过估计目标物体的吸收率来计算投影数据的变化,从而反推出目标物体的三维形状。

平时工作较为繁忙,私信消息一般晚上回复,谢谢大家~~ 386

分享88个表单按钮JS特效,总有一款适合您

jQuery调整表格宽度大小插件(colResizable.js)jQuery弹窗(alert,confirm)美化插件。jQuery下拉框美化插件Select-or-Die。一款实用的jquery表单验证插件webluker。jQuery节点多种操作流程图插件(go.js)一款超级好玩有趣的拖动滑块登录表单提交js插件。jQuery仿京东会员注册页面表单验证代码特效。jQuery移动端固定表格表头和任意表列效果。分享88个表单按钮JS特效,总有一款适合您。可以根据百分比显示大小的气泡图带碰撞的效果。

adendean的博客 1070

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。

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

分享77个菜单导航JS特效,总有一款适合您

分享77个菜单导航JS特效,总有一款适合您

weixin_47730343的博客 1177

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")

分享115个JS特效动画效果,总有一款适合您

js

zy0412326的专栏 1553

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

分享76个鼠标特效,总有一款适合您

分享76个鼠标特效,总有一款适合您

adendean的博客 2260
上一篇: TensorFlow module ‘tensorflow‘ has no attribute ‘Session‘ 问题解决
下一篇: Linux系统安装Python3环境 补充教程
Volavion
博客等级 码龄9年 3788粉丝 36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

打赏作者

Volavion

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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