【前端UI行话】前端 UI 术语速查表

Fast DDS源代码走读 DDS, PDP, EPD, DataWriter, DataReader 阅读详情

​ 你让 AI 帮你写前端,AI 回复里蹦出一堆术语,“加个 backdrop-blur”、“用 radial-gradient 做 vignette”、“hover 时 scale 1.02”。你知道它在说代码,但不知道效果长什么样。
在这里插入图片描述

​ 这篇文章把前端 UI 中最常见的视觉术语整理成一张表,用后端同学能理解的方式解释每个术语是什么、长什么样、什么时候用。下次和 AI 对话或者审查设计稿时,你至少能说出"这里需要一个 glassmorphism 的卡片"而不是"把这个框弄得好看一点"。

一、颜色与背景

​ 先从最基础的开始。前端的颜色不只是"红绿蓝",渐变和透明度才是让页面有层次感的关键。

术语英文是什么后端类比
渐变Gradient颜色从 A 平滑过渡到 B,可以是线性(从左到右)或径向(从中心向外)类似于热力图的颜色映射
线性渐变Linear Gradient颜色沿直线方向过渡,比如从上到下、从左到右—
径向渐变Radial Gradient颜色从一个中心点向四周扩散—
透明度/不透明度Opacity元素的透明程度,0 完全透明,1 完全不透明类似日志级别,opacity(不透明度) 越低信息越"弱"
RGBARGBA颜色值带透明度通道,如 rgba(0, 0, 0, 0.5) 表示 50% 透明的黑色四元组,前三位是 RGB,第四位是 alpha 通道
强调色Accent Color页面中用于突出重要元素(按钮、链接、徽章)的颜色,通常全站统一类似于日志里的 WARN 颜色,用来引起注意

​在这里插入图片描述

Linear Gradient 和 Radial Gradient 的区别一看便知,一个沿直线过渡,一个从中心发散。Opacity 那列展示了同一个颜色"变淡"的过程,这就是 RGBA 中第四个参数 alpha 在做的事。最右边的 Accent Color 面板是关键:按钮、链接、徽章虽然形态不同,但只要共享同一个颜色,整个页面就有了统一感。

​ 一个常见的误区:后端同学习惯给颜色用十六进制(#FF5733),但前端实际工作中 rgba() 用得更多,因为你经常需要控制透明度,而十六进制不方便做这件事。

二、遮罩与模糊

​ 这一组术语是"背景图处理"的核心工具箱。当你有一张大图做背景,直接在上面放文字通常看不清,下面这些效果就是解决这个问题的。

术语英文是什么什么时候用
遮罩层Overlay覆盖在内容上面的半透明层,通常是深色的,让上层文字更容易阅读背景图上叠文字时必用
渐变遮罩Gradient Overlay / Gradient Mask遮罩的透明度是渐变的,比如左边不透明、右边透明,让图片一侧"溶"入背景Hero 区块背景图 + 左侧文字的经典组合
暗角Vignette图片四周逐渐变暗,视觉焦点集中在中央大图背景想让用户注意中心内容时
羽化Feathered Edge图片边缘逐渐变透明,和背景没有明确分界线图片需要"融入"页面背景而不是"贴在"上面
毛玻璃Glassmorphism / Backdrop Blur元素背景半透明 + 模糊,能看到后面的内容但看不清,像隔了一层磨砂玻璃导航栏、弹窗、卡片,想保持层次感又不遮挡内容
CSS Maskmask-image用渐变或图片控制元素哪些部分可见、哪些部分透明实现 vignette、羽化等效果的技术手段

​ 光看文字可能还是抽象,放一张对比图就清楚了:

在这里插入图片描述

​ 五种效果都是在"原图"基础上做文章:Overlay 是整体压暗让文字可读,Gradient Overlay 只压一侧、另一侧保留画面细节,Vignette 把视线往中心收,Feathered Edge 让图片边缘"消融"进背景,Glassmorphism 则是在前景加一层磨砂玻璃感的浮层。理解了这五种效果,你就掌握了前端"背景图处理"的大部分手法。

三、布局与间距

​ 布局是前端最底层的骨架。后端同学其实对"布局"并不陌生,你写过 YAML 配置、排过表格、调过终端输出的对齐,本质上都是在做同一件事。

术语英文是什么后端类比
留白Whitespace / Padding元素之间或元素内部的空白区域,不是"浪费空间"而是让内容更容易阅读代码里的空行和缩进,没有也能跑,但有了才能读
网格布局Grid Layout把页面分成行和列的二维布局系统类似数据库表的行列结构
弹性布局Flexbox一维布局系统,元素沿一个方向(横向或纵向)排列类似于数组,元素按顺序排列
响应式Responsive页面根据屏幕宽度自动调整布局(手机一列、平板两列、桌面三列)类似于根据请求参数返回不同格式的 API
断点Breakpoint屏幕宽度的分界值,超过或低于这个值时切换布局,常见的有 768px(平板)、1024px(桌面)类似于 if-else 条件分支
固定定位Sticky / Fixed元素固定在屏幕某个位置,页面滚动时不跟着动导航栏常用,类似于终端里的状态栏

​ Grid 和 Flexbox 是最容易混淆的一对,看图就明白了:

在这里插入图片描述
​ Grid 是二维棋盘,你同时控制行和列;Flexbox 是一维队列,元素沿一个方向排开;Responsive 不是一种布局技术,而是一种策略。这种方式用断点(Breakpoint)判断屏幕宽度,在不同宽度下切换 Grid 或 Flexbox 的参数,让同一套内容适配手机到桌面的所有尺寸。

四、视觉效果

​ 如果说布局是骨架,视觉效果就是皮肤。下面这些属性决定了一个元素"看起来怎么样"。

术语英文是什么什么时候用
阴影Box Shadow元素周围的投影效果,让元素看起来"浮"在页面上卡片、按钮、弹窗,营造层次感
圆角Border Radius元素四角的圆弧程度,0 是直角,9999px 是完全圆形—
网格背景Grid Background用 CSS 画的细线网格作为页面底纹,增加层次感但不抢眼Hero 区块、空白区域的背景装饰
渐变文字Gradient Text文字颜色不是单色,而是渐变的(用 background-clip: text 实现)品牌名、标题,增加视觉吸引力
脉冲动画Pulse Animation元素不停地缩放或闪烁,像心跳一样状态指示器("在线"绿点)、需要引起注意的元素

​ 每种效果长什么样,看一眼就记住了:
在这里插入图片描述

Box Shadow 的 on/off 对比最直观,同一个白色卡片,加了阴影就有了"层次"。

Border Radius 从 0 到 9999px 的变化展示了一个矩形如何变成圆形。

Grid Background 是那种"说不出哪里好但去掉就觉得空"的背景纹理。

Gradient Text 常见于品牌标题,Pulse 则是状态指示器的标配(你见过的"在线"绿点大多在做这个动画)

​ 这些效果里,阴影 + 圆角是使用频率最高的组合。一个没有阴影和圆角的卡片就是一个光秃秃的矩形框,加上 border-radius: 12px 和 box-shadow: 0 4px 12px rgba(0,0,0,0.1) 之后立刻有了"浮"在页面上的感觉。你跟 AI 说"给卡片加点层次感",它大概率就是在做这两件事。

五、交互效果

​ 静态页面只是起点,用户的鼠标移上去、页面滚动、元素出现,这些时刻都可以加上动效,让界面"活"起来。

术语英文是什么后端类比
悬停效果Hover Effect鼠标移到元素上时的视觉变化(变色、放大、浮起)类似于 IDE 里鼠标悬停显示提示信息
过渡Transition元素状态变化时的平滑动画,比如颜色从白变蓝用 0.2 秒渐变而不是瞬间切换类似于数据库的渐进式迁移而非直接替换
缩放Scale元素放大或缩小,scale(1.02) 表示放大 2%,常用于 hover 时制造"浮起"感—
位移Translate元素在水平或垂直方向移动,translateY(-4px) 表示往上移 4 像素—
入场动画Entrance Animation元素首次出现时的动画效果,通常是从下方滑入 + 淡入类似于命令行工具的 progressive output
滚动条动画Marquee内容像跑马灯一样自动水平滚动,常用于品牌 Logo 展示类似于日志流的实时输出

​ 每种交互效果单独看一眼,比混在一起讲清楚得多:
在这里插入图片描述

六种交互效果各司其职:Hover 改变外观告诉用户"这里可以点",Transition 让变化平滑而非突变,Scale 和 Translate 经常组合使用——放大 2% + 上移 4px 就是经典的"悬浮卡片"效果。Entrance Animation 让页面元素不是一瞬间全部出现,而是依次"滑入",制造阅读节奏。Marquee 则专门用来展示一排品牌 Logo 或合作伙伴,自动滚动意味着有限空间里可以塞更多内容。

  • 交互效果有一条潜规则:Transition 几乎永远要加。不管是按钮变色、卡片浮起还是元素出现,没有 transition 的变化是"突变",看起来像 bug。加上 transition: all 0.2s ease 就变成了平滑的动效。这条你可以直接告诉 AI:“所有交互都要有 transition。”

六、组件设计模式

​ 知道了视觉效果和交互,接下来是组件。前端的"积木块",一个落地页(landing page)翻来覆去用的也就这几种。

术语英文是什么什么时候用
徽章Badge小标签,通常是圆角小方块 + 几个字,放在标题上方吸引注意“新功能”、“推荐”、"Beta"标记
行动号召CTA (Call to Action)页面上最希望用户点击的按钮或链接“立即注册”、"免费试用"按钮
主按钮/次按钮Primary / Secondary Button主按钮是实心高亮色(最重要的操作),次按钮是边框或透明(次要操作)类似于确认/取消的主次关系
卡片Card一个有边框/阴影/圆角的矩形容器,把相关内容分组展示类似于 API 响应里的一个 JSON 对象
进度条Progress Bar水平填充的条形元素,展示完成度或数值类似于 CI/CD pipeline 的阶段进度
分隔线Divider一条细线,用来视觉上分隔不同内容区域类似于代码里的空行或注释分隔符
社会证明Social Proof通过展示用户评价、客户 Logo、使用数据来建立信任类似于 GitHub 的 Star 数和 Used by 徽章

​ 这些组件长什么样?一图胜千言:在这里插入图片描述

​ 这六种组件几乎覆盖了所有落地页的"基本零件":Badge 做标记、CTA 引导点击、Card 组织内容、Progress Bar 展示数据、Divider 划分区域、Social Proof 建立信任。你跟 AI 说"加个 Badge"比说"在标题上面放个小标签"精确得多。

七、配色术语

​ 最后说配色。前端配色不是"选个好看的颜色"那么随意,它有一套命名体系。

术语英文是什么
主色Primary Color品牌主色调,用于按钮、链接、重要图标
前景色/背景色Foreground / Background前景色是文字和图标的颜色,背景色是底色
灰阶Neutral / Gray Scale一组从白到黑的灰色,用于文字、边框、背景等不需要强调的地方
暗色模式Dark Mode深色背景 + 浅色文字的配色方案,减少屏幕亮度对眼睛的刺激
深浅交替—页面中深色区块和浅色区块交替排列,制造视觉节奏感,避免单调

​ 这几个概念看图比看表清楚:

在这里插入图片描述

Primary Color 那格的关键信息是"统一",按钮、链接、图标虽然形态不同,但只要共享一个色值,页面就有品牌感。

Gray Scale 的三个箭头揭示了灰色系的分工:最浅的做背景、中间的做边框、最深的做文字,大部分页面 80% 的颜色其实都是灰。

Dark Mode 不只是"反色"那么简单,前景和背景的对比度需要重新调校。

最右下的深浅交替(Rhythm)是很多落地页的"隐藏套路",一浅一深交替排列,用户滚动时自然感觉到内容在分段,不用额外加分隔线。

​ 配色里最实用的一条建议:全站只用一个强调色。按钮、链接、高亮文字、选中状态,全部用同一个颜色(和它的深浅变体)。颜色一多就容易乱,而统一的强调色会让整个页面看起来"专业"。你跟 AI 说"accent color 统一用 #6366f1",它就知道该怎么处理所有需要高亮的元素。

八、实用速查:和 AI 对话时怎么说

​ 掌握了这些术语,你就可以把模糊的需求变成精确的指令:

你以前可能会说用术语可以这么说
“把背景弄好看点”“加一张全屏背景图,上面叠一层 50% 透明度的深色 overlay”
“让这个框有质感”“用 glassmorphism 效果,半透明背景 + backdrop-blur + 细边框”
“图片边缘太硬了”“用 CSS mask 做一个 feathered edge / vignette 效果”
“这个按钮太丑了”“改成圆角胶囊按钮(border-radius: 9999px),hover 时 scale 1.02 + 加深阴影”
“页面太单调了”“深浅区块交替排列,加网格背景纹理,卡片加 box-shadow 层次感”
“颜色不搭”“全站统一用一个强调色(accent color),所有高亮元素用同一色值”
“这块内容看不清”“加一层 gradient overlay,或者用 backdrop-blur 的毛玻璃效果”

​ 核心原则:术语越精确,AI 的输出越接近你的预期。 这张表不需要背下来,需要的时候翻一翻,找到对应的英文术语粘贴给 AI 就行。

【雕爷学编程】Arduino动手做(111)---震动提醒模块 37款传感器与执行器的提法,在网络上广泛流传,其实Arduino能够兼容的传感器模块肯定是不止这37种的。鉴于本人手头积累了一些传感器和执行器模块,依照实践出真知(一定要动手做)的理念,以学习和交流为目的,这里准备逐一动手尝试系列实验,不管成功(程序走通)与否,都会记录下来---小小的进步或是搞不掂的问题,希望能够抛砖引玉。 阅读详情

相关推荐

汇编语言与接口技术(第4版)清华大学出版社 第2章 80*86微处理器 课后题答案

汇编语言与接口技术(第4版)清华大学出版社 第2章 80*86微处理器 课后题答案

m0_51658788的博客 3605

前端术语

文章目录webw3cxmlhtmlMDNcss浏览器XHTML web 互联网 w3c 万维网联盟,w3.org 为互联网提供标准 xml 可扩展的标记语言:extension markup language 用于定义文档结构 html HTML是w3c组织定义的语言标准:HTML是用于描述页面结构的语言。 HTML: Hyper Text Markup Languaage 超文本标记语言。 MDN 文档库 Mozilla Development Network, Mozilla 开发者社区 css cs

weixin_42448623的博客 608

【IPAM】Netbox docker模式版本升级

NETBOX 是一个开源的网络资源管理系统,主要用于管理 IP 地址、机架、设备、接口等网络资源信息。下面是 NETBOX 的功能、优点和缺点的详细介绍。

u012153104的博客 1329

作为前端程序员:你必须知道的常用英语词汇!!全是干货!!!

核心竞争力,怎么才能提高呢?成年人想要改变生活,逆转状态?那就开始学习吧~万事开头难,但是程序员这一条路坚持几年后发展空间还是非常大的,一切重在坚持。为了帮助大家更好更高效的准备面试,特别整理了《前端工程师面试手册》电子稿文件。

2401_84092727的博客 1351

手把手教你设计反激开关电源:从整流滤波到PCB布局的实战避坑指南

本文是一份反激开关电源的实战设计指南,重点解析了从整流滤波电路到PCB布局的关键细节与常见陷阱。文章深入探讨了输入保护元件协同设计、EMI滤波器优化、整流桥与滤波电容选型,并详细阐述了如何通过优化PCB布局来确保安规、最小化功率回路面积以控制噪声,旨在帮助工程师和爱好者规避设计误区,提升电源的可靠性与性能。

yhn45678901的博客 690

Codex全网避坑实录|境外手机号封禁\+Ollama千问适配失败\+第三方中转站TOML全套配置

原生Codex:国内手机号百分百无法登录,PIN验证、多因子验证全部无效,不用尝试API Key登录:仅解锁界面,不充值无法使用功能,纯过渡方案Ollama本地千问:原生接口和Codex不兼容,手写Python代理大概率调试失败,不推荐折腾网页解析失败:只改wire_api为responses即可解决,无需修改接口地址使用建议:仅体验功能用中转站;长期办公提效,成本很高,建议改用兼容接口的本地模型。

驽马不舍 1888

前端设计与布局常用术语(前端术语中英对照速查表)

层次关注点示例结构层布局与区域划分顶栏、侧栏、容器、栅格视觉层样式与层次感阴影、圆角、留白、背景交互层动作与响应悬停、点击、动画、响应式当你掌握这些术语后,就能像设计师一样“和 AI 说人话”:“我想要一个三列卡片布局的响应式页面,整体简约风,浅灰背景,卡片带阴影和圆角。🧠前端不仅仅是写代码,更是一种“视觉语言”。学会用术语描述,AI 才能更懂你。希望这篇速通指南能让你在前端路上越走越顺 ❤️。

Dontla的博客 3134

新能源车主必看:用高德API+充电站数据制作跨城出行充电规划工具(附完整代码)

本文为新能源车主提供了一份详细的跨城出行充电规划工具构建指南。通过整合高德地图API与充电站数据,手把手教你使用Python开发一个智能规划系统,可自动规划路线并推荐沿途充电站,有效缓解里程焦虑。文章包含完整代码、核心算法解析及可视化实现,帮助车主实现个性化、高效的出行规划。

tgb3456789的博客 898

30个UI设计师应该掌握的专业术语

每个领域都有自己的专有名词和术语,掌握它们才能更好地和工作伙伴沟通。作为一名资深UI设计师,我整理了以下30个UI设计师应该掌握的专业术语,希望能帮助大家更好地理解和运用这些概念。这些术语包含三大类:基础名词、常用UI设计元素以及UI设计流程和方法。对于新手小白来说,了解这些是你入门UI设计的必经之路;对于“老司机”来说,也可以趁此机会查漏补缺,看看自己还有哪些概念没有掌握。话不多说,一起来看看吧~

设计“1+2”,摹客就够了! 4204

⑩电子产品拆解分析-家用无线遥控开关433Mhz

①免布线随意贴,装上就能使用解决单线开关烦恼;②遥控配对简单,无线通讯距离长,信号可穿墙;

a6662580的博客 4683

你一直忽略的神器:离你最近的超强语音输入法(微信语音输入全攻略,支持全局混用)

你一直忽略的语音输入工具🎤 ,其实就在身边!无需额外软件,即可实现全局语音转文字⚡ 支持中英文混输,还能与其他输入法混合使用,聊天、办公都能高效完成,让你的输入效率轻松翻倍🚀

XiaoqiangClub的博客 903

前端术语总结

SSR、物料库、渐进式、函数式、响应式、BFF、微前端、大前端、云端一体化、直出、运行时、编译时

缓月 3787

全局注意机制 GAM | Global Attention Mechanism: Retain Information to Enhance Channel-Spatial Interactions

全局注意机制 GAM

Coding... 2573

前端 UI 组件专业术语科普指南

在前端开发与 UI 设计中,准确的术语能帮助团队高效沟通。本文整理了常见的前端专业名词,涵盖弹窗交互、页面布局及状态反馈等核心概念,帮助初学者快速建立专业认知。

代码时光 586

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")

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。

Tailwind CSS 速查表项目教程

Tailwind CSS 速查表项目教程 1. 项目介绍 Tailwind CSS 速查表项目(Tailwind CSS Cheatsheet)是一个开源项目,旨在为开发者提供一个快速参考的页面,帮助他们更高效地使用 Tailwind CSS 框架。Tailwind CSS 是一个功能类优先的 CSS 框架,它提供了一系列低级别的实用类,开发者可以通过组合这些类来构建自定义设计,而无需编写自定义的...

gitblog_00200的博客 1439

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

前端UI开发核心术语速查与实战解析

在现代前端开发中,UI组件与CSS布局系统是构建用户界面的基础技术。Flexbox和CSS Grid作为核心布局方案,通过主轴/交叉轴和二维网格的概念实现精准排版。组件化开发涉及Card、Modal等容器模式,以及Debounce、Lazy Loading等交互优化技术。理解这些术语不仅能提升开发效率,更能避免因沟通歧义导致的设计还原问题。本文系统梳理了从基础布局、组件设计到性能优化的完整术语体系,特别针对Virtual DOM、ARIA等框架级概念和可访问性规范进行深度解析,帮助开发者建立标准化技术沟通能

weixin_29007243的博客 263

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

前端 UI 界面 AI 提示词专业指南,手把手教你做出即好看又专业的UI界面

不会专业术语也能让 AI 做出"好看"的界面和动效——把"我要一个好看的页面"翻译成 AI 听得懂的专业描述。

篮球界最会写bug的人;程序猿中打球最菜的人。 940

盘点15个高颜值的Tailwind CSS 前端UI组件库

大家好,我是宝哥,一个前端程序员,副业年入10万。作为一名前端小白,你是否曾经被繁琐的 CSS 代码困扰?是否羡慕那些能够快速构建美观网站的大神?别担心,Tailwind CSS 就像一缕清风,为前端开发带来了全新的体验。Tailwind CSS 是一个实用至上的 CSS 框架,它提供了一系列的 CSS 类名,可以帮助你快速构建用户界面,而无需编写大量的 CSS 代码。无需再为命名纠结,无需再为样...

前端开发博客 1万+

最新前端速查表集合(CSS动画Bootstrap4)

转载:http://sc.chinaz.com/info/161209294367.htm分享的速查表是目前最新流行的前端速查表(Cheat sheet),包含:Css3 Flexbox、ES6、jQuery 3 以及最新的 Bootstrap 4,前端人员可以将这些当作是备忘表或速记手册,使用时可以快速查阅,相当便捷。Flexbox Cheatsheet Cheatsheet这里通过问答对话形式...

故梦-阿梓 1891

全网最全!Tailwind/Unocss 类名速查表,前端开发必备神器!

Tailwind/UnoCSS 三大优势:开发速度快- 不用在CSS文件和HTML之间切换一致性高- 设计系统约束,团队协作无忧维护简单- 没有深层嵌套的CSS,没有命名冲突追求开发效率的前端工程师需要多端统一的团队个人开发者和小型项目需要高度自定义动画的页面老项目迁移成本高设计师主导样式的项目最后提醒:工具只是手段,设计思维才是核心。合理运用这些工具,才能写出既美观又高效的代码!关注我,获取更多前端干货!有任何问题,评论区交流!

2401_89338795的博客 1091

Laravel Artisan 命令速查表:开发者的得力助手

Laravel Artisan 命令速查表:开发者的得力助手 项目介绍 Laravel Artisan 命令速查表是一个专为 Laravel 开发者设计的实用工具,旨在帮助开发者快速查找和使用 Laravel 的 Artisan 命令。无论你是 Laravel 新手还是经验丰富的开发者,这个速查表都能为你提供便捷的命令参考,节省你在开发过程中查找命令的时间。 项目技术分析 该项目基于现代前端技术栈...

gitblog_00612的博客 931

Modern JavaScript 速查表教程

Modern JavaScript 速查表教程 【免费下载链接】modern-js-cheatsheet Cheatsheet for the JavaScript knowledge you will frequently encounter in modern projects. ...

gitblog_00092的博客 427

kafka-ui前端依赖管理:pnpm使用技巧

在现代前端工程中,依赖管理是项目构建与维护的核心环节。传统包管理器如npm和yarn在处理大型项目时,常面临**依赖安装缓慢**、**磁盘空间占用过高**、**版本一致性难以保证**等问题。kafka-ui作为一款高性能的Kafka集群管理工具,其前端项目(kafka-ui-react-app)采用pnpm(Performant npm)作为包管理器,通过创新的依赖存储机制和严格的版本锁定策略,有...

gitblog_00805的博客 1178

Adobe XD 键盘快捷键速查表:jaywcjlove/reference 项目中的 97 键可视化备忘单

本文是开源项目 [jaywcjlove/reference](https://link.gitcode.com/i/a832dedaa4b26b38fa57fb21c7df423f)(为开发人员分享快速参考备忘清单的中文速查表仓库)中 [docs/adobe-xd.md](https://link.gitcode.com/i/a14f2f888fdf0b955cf94da784ffdda4) 的完

gitblog_00237的博客 841

终极编程资源:免费编程速查表合集

在编程中速查表(Cheat Sheets)是每个开发者的秘密武器。无论你是新手还是经验丰富的程序员,这些速查表都能帮你快速找到所需的信息,提高工作效率。今天,我为大家整理了一份终极编程速查表合集,涵盖了从Python到Docker的多种编程语言和工具。

tableconvert.com 507

Radix 还是 Base UI?Fluid Functionalism 双 Flavor 组件怎么选,附 @fluid 注册表命名速查表

Fluid Functionalism 是一个 shadcn/ui 组件注册表(registry),把「组件、它们共享的系统、以及组合它们的 blocks」统一管理,并让每个触及底层原语的组件同时提供 **Radix** 和 **Base UI** 两种 flavor,两者共享同一套 API。本文面向新手,讲清楚「Radix 还是 Base UI 该怎么选」,并附上 @fluid 注册表的完整命名

gitblog_00036的博客 177
上一篇: 给后端同学的前端页面结构指南:一个网页到底是怎么拼出来的
下一篇: 别怕黑窗口:写给小白的 CLI 入门指南
未收敛
博客等级 码龄11年 3303粉丝 163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

未收敛

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