切换到了 Tailwind CSS,真香!

基于Next.js 15与Sanity CMS构建高性能个人网站的技术实践 在当今的Web开发领域,服务端渲染(SSR)和静态站点生成(SSG)是提升网站性能与用户体验的核心技术。其原理在于将页面渲染工作从客户端转移到服务器端或在构建时完成,从而显著缩短首屏加载时间,并有利于搜索引擎优化。这一技术价值在于能够为内容驱动型网站,如博客、作品集和营销页面,提供极致的访问速度与稳定性。随着Jamstack架构的流行,将无头内容管理系统(Headless CMS)与现代化前端框架结合,已成为构建高性能、易维护网站的主流方案。本文聚焦于应用Next.js 15框架与Sanity CMS,结合 阅读详情

你好,我是坚持分享干货的 EarlGrey,翻译出版过《Python编程无师自通》、《Python并行计算手册》等技术书籍。

如果我的分享对你有帮助,请关注我,一起向上进击。

作者:SSSS

https://juejin.cn/post/7237425753612288055

关于 Tailwind CSS

现在再提 tailwind css 也不是什么比较新鲜的事情了,已经有很多介绍的文章了,到目前来说,应该有不少新项目开始尝试使用它来开发样式了。比如说,next.js 的 cli 已经用 tailwind css 替代 css modules 了:

4cf5d4795be0116c857929ed61534cf4.jpeg

很早的时候其实就想接入 tailwind css 尝试了,原因无非就是那几样,原子化,design token,更主要的是终于不用再为 class 的命名去伤脑经了,但劝退我使用 tailwind css 的几个因素:

  1. 新的东西,又带来新的学习成本

  2. 感觉更适合新项目,我们的目前的项目使用的都是 css modules,引入进来以后,是不是只能新页面才能用,毕竟老页面一堆 css modules 文件不可能一点点去改,本来就不熟悉,改起来更费时间了

但后面还是还是接入了,接入以后发现上面的提到的劝退点还是不值一提的,对于问题1,实际使用的时候配合上 vscode 插件陈本还是比较低的,而且 tailwind css 的 命名还是有一定规律的,比如宽度,基本上就是 w-[value/4px],对于问题 2,因为自己后面写了一个工具,处理起来也是比较快捷的。

979146ae82ec156258ef13e9cbf8370d.jpeg

我们大仓的6个项目都已经从 css modules 转成 tailwind css 了,其中3个是我操作的,但整体已经是流水线的方式了,所以切换成 tailwind css 过程还是很简单的,我大概分享下自己切换 tailwind css 的过程

过程

准备工作

请一定要安装 https://marketplace.visualstudio.com/items?itemName=bradlc.vscode-tailwindcss&ssr=false#overview这个 vscode 插件,它会读取你的 tailwind css 的配置,代码提示和查看样式规则上能带来很大的帮助:

9e14c2cb9883b238e9b32693876ebe2e.jpeg

安装

https://tailwindcss.com/docs/installation 官方文档介绍的非常详细了,以 create-react-app 为例:

第一步,安装 tailwind,生成相对应的配置文件:

npm install -D tailwindcss
// yarn add tailwindcss -D
npx tailwindcss init

文件变化,主要是生成一份配置文件:

05dd3c12c0a5b32e96baab7e0484b893.jpeg

配置

关于配置的说明可以直接看官方的文档 https://tailwindcss.com/docs/configuration#content,对于我们这种从 css modules 切换 tailwind css 的项目,有些配置需要着重关注一下:

  1. important, 它可以是 boolean 类型或者 string 类型,默认是 false,对于新项目我们一般直接设置成 true,设置成 true,对于样式规则,会加上 !important 把级别提到最大,如果是字符串,就相当于一个选择符,如果设成 important: '#app',那么对应的 tailwind class 会变成 #app .tailwind-class: { /** */ } 这种形式。

  2. content 就是文件匹配规则一般就是设置成 ['./src/**/*.{ts,tsx}', './src/**/*.{css,scss}'] 的形式。

  3. corePlugins,可以选择对 tailwind 的核心插件配置禁用的规则,对于我们这种项目来说,css normalize 一般是已经做好了的,所以一定要把它的 preflight 插件禁掉,不然会出现一些样式问题

    corePlugins: {
        preflight: false,
      },
  4. theme,主题这个配置也是非常重要,你可以做些自定义的 class,这个后面会说,但一般来说,还是需要改下它的 font-size,这样会让我们后面书写字体大小的时候舒服很多,因为 tailwind css 的字体大小是大小和行高组合起来的,这个一般都接受不了:

    ac208f85e01f2dfa729e42521f044cfd.jpeg你需要加上这个配置,排除掉行高的影响:

    theme: {
        // fix tailwind line-height
        fontSize: {
          xs: '12px',
          sm: '14px',
          base: '16px',
          lg: '18px',
          xl: '20px',
          '2xl': '24px',
          '3xl': '30px',
          '4xl': '36px',
          '5xl': '48px',
          '6xl': '60px',
          '7xl': '72px',
        },
      },

整个的配置:

/** @type {import('tailwindcss').Config} */
module.exports = {
  important: true,
  content: ['./src/**/*.{ts,tsx}', './src/**/*.{css,scss}'],
  corePlugins: {
    preflight: false,
  },
  theme: {
    extend: {
      fontSize: {
        xs: '12px',
        sm: '14px',
        base: '16px',
        lg: '18px',
        xl: '20px',
        '2xl': '24px',
        '3xl': '30px',
        '4xl': '36px',
        '5xl': '48px',
        '6xl': '60px',
        '7xl': '72px',
      },
    },
  },
  plugins: [],
};

在你的入口 css 文件里面加上,注意是 css 文件,别整到 css modules 文件里了:

@tailwind base;
@tailwind components;
@tailwind utilities;

.html {
  font-size: 16px;
}

给 html 加上 font-size: 16px 主要是处理 tailwind css 的 rem 问题。

做完这些,就可以测试一下是否生效了,找一个页面,加上 <div className="flex"></div>,执行 yarn start 试试是否生效:

1e2fa56854ea04845f9a3aee7146fb72.jpeg

当你看到这个就说明配置都生效了,这样就可以开心的写 tailwind css 了。

开发体验

但是实际使用的时候,可能会碰到一些问题,比如这个长度没找到相对应的,这个颜色有没有,这个官方文档也详细说明了 https://tailwindcss.com/docs/adding-custom-styles。比如我有个 color: #666; 就是没有相对应的 tailwind class,只需要 text-[#666]就好了,或者网页有个主题颜色,这个颜色在很多地方用到了,但是我不想一直 text-[xxx]这样,只需要:

theme: {
    extend: {
      textColor: {
        666: '#666',
      },
      backgroundColor: {
        666: '#666',
      },
    },
},

就可以直接使用 text-666 和 bg-666 的形式了:

d79583acecc0ae9b6a8601a331cf1e62.jpeg

处理老代码(针对 JSX/TSX 文件,可选项)

这一步是可选项,你可以使用 https://github.com/shiyangzhaoa/css-modules-to-tailwind 来对老代码进行转换,尝试执行(执行前记得提交代码,这个命令会直接修改你的代码):

npx css-modules-to-tailwind src/**/*.tsx -f
// npx css-modules-to-tailwind src/**/*.jsx -f

对于我的测试项目,可以看到有 48 文件得到修改:

d7cff87a37f1a380b5ace50d1cf0fe05.jpeg

查看文件变化,对于 css modules 文件:

391f4923888f543cd61195c079eb3ae9.jpeg

对于 tsx/jsx 文件:

2336db0900d5142ae3480ff73b542580.jpeg

启动项目查看变化:

0b31a572d1e1408f2bd639789bc29a5b.jpeg

样式没有变化,class 也转换成功了,完美(bushi

总结

综上所述,接入 tailwind css 的成本非常低,对于我来说,使用起来也是非常流畅,尤其你稍微熟悉以后,开发起来速度也是嗖嗖的,强烈推荐~

- EOF -

Tailwind CSS 的开发团队在开源版的基础上,设计了官方的组件库,包含有 500 多个精心设计的组件和 10 套网页模板。官网单独购买的话,要快 300 美金,折合接近 2500 块。

但是如果大家一起共享的话,只需要不到 50 块就可以享受同官网版本相同的服务了。有兴趣的小伙伴可以前往淘宝详情页了解。

8d5e6e65b49a7937111df9b01da0708a.png

扫码后复制链接到浏览器或淘宝内打开即可

推荐阅读  点击标题可跳转

1、Python 项目工程化最佳实践

2、Python 可以比 C 还要快!

3、streamlit,一个超强的 Python 库

4、豆瓣8.9分的C++经典之作,免费送!

5、Python 3.12 版本有什么变化?

回复下方「关键词」,获取优质资源

回复关键词「 pybook03」,领取进击的Grey与小伙伴一起翻译的《Think Python 2e》电子版

回复关键词「书单02」,领取进击的Grey整理的 10 本 Python 入门书的电子版

👇关注我的公众号👇

告诉你更多细节干货

bc0c9ceaf3485157eb0250b5ff751209.jpeg

欢迎围观我的朋友圈

👆每天更新所想所悟

Android逆向实战:抖音聊天记录数据库解析与导出(附完整SQL查询) 本文提供了一份Android逆向实战指南,详细解析了抖音聊天记录数据库的结构与导出方法。通过定位核心的`im.db`数据库文件,深度解读conversation_list、msg等关键表结构,并附上完整的SQL查询语句,帮助开发者或研究人员安全、合规地提取和分析本地聊天数据,适用于移动安全研究与数据分析场景。 阅读详情

相关推荐

Zemax实战录——非序列模式下的微透镜阵列仿真与优化

本文详细介绍了在Zemax非序列模式下进行微透镜阵列仿真的完整流程与优化技巧。文章重点阐述了从序列模式切换到非序列模式的必要性,并逐步指导如何搭建光源、阵列与探测器的仿真环境。核心在于通过调整圆锥系数等关键参数优化像差,并增加光线数以提升仿真精度与均匀性,为光学设计提供可靠依据。

weixin_28339967的博客 531

Tailwind CSS - 无需离开HTML即可快速构建美观的网站

得益于Tailwind CSS 原子类和工具类的模式,样式的编写变成原子CSS的组合。随着功能的迭代、组件的增加,使用到的新的原子/工具类逐渐减少,因此编译出的CSS的增量趋近于零。Tailwind CSS 是一个备受欢迎的、基于原子类的CSS框架,它以独特的方式重新定义了样式表的编写方式。这意味着开发者可以在保持现有样式的同时,逐步采用 Tailwind 的原子类和工具类,减小对项目的影响。与传统的CSS框架不同,Tailwind 不提供预定义的组件,而是专注于提供一组小而灵活的原子类。

xinyebudaoshi的博客 7162

手把手教你用Ollama & AnythingLLM搭建AI知识库,无需编程,跟着做就行!

本地运行大模型耗资源,需要选择较小的模型作为基础模型。在终端中运行时可能会出现 CUDA 错误,表示显存不足,导致提供的端口失效。中文支持不够完善。\3. 文中提到的技术软件工具有:Ollama、Chatbox、Open WebUI、向量数据库、嵌入模型、本地模型 Gemma、AnythingLLM。

2401_86435672的博客 1万+

TailwindCSS的使用,看这一篇就够了!

更好的阅读体验请移步至:zhengxiaoping.xyz/css/Tailwin…[1]安装以下方法是Vite + Vue模式下的安装方法,其他脚手架与框架的使用同理。创建项目pnpmcreateviteapp--templatevue #yarncreateviteapp--templatevue #npmcreateviteapp--templatevue ...

我本可以容忍阳光,如果我不曾见过太阳,然而阳光已使我荒凉,成为更新的荒凉。 4635

财务数字化——解读美的战略规划之财务组织体系建设【附全文阅读】

本文提出适用于集团企业的财务管控方案,面向财务负责人、HR及战略规划人员。方案整合四种管控模式,结合500强案例,构建"职能定位-架构设计-权责划分-人才发展"体系,涵盖财务五大模块。通过明确总部与事业部权责边界,提供组织架构等实操框架,旨在平衡财务管控与业务支持,提升效率与风控能力,满足集团财务体系规范化建设需求。

cdfunlove的博客 665

华为od 面试八股文_C语言_02_含答案

华为od 面试八股文_C语言_02_含答案

MISAYAONE的博客 2232

tailwindcss

Tailwind CSS 是一个可定制化的 CSS 框架,最大的特点是功能类优先,和我们知道的bootstrap,element ui,antd,veui等框架一样。将一些CSS样式封装好,用来加速我们开发的一个工具。简单理解 TailwindCSS 就是 CSS 的 lodash, 他是一个增强工具类,你可以用原子类的方式写样式,也可以基于 PostCSS 作为工具函数做 Mixin。

readmancynn的博客 5982

在 SAP S/4HANA Public Cloud 中做产品扩展:从 Key User 到 ABAP Cloud 与 BTP 的三轨实践指南

摘要:SAP S/4HANA Public Cloud 提供三种扩展方式(key user、developer extensibility 和 side-by-side),遵循 clean core 原则确保升级稳定。key user 扩展适合无代码轻量改良,developer extensibility 用于受控 ABAP 开发,side-by-side 则适用于云原生独立应用。文章通过销售订单优先级字段、退货审批微服务和采购校验等案例,说明不同扩展路径的适用场景与实现方法,帮助开发者在三系统景观中合理选

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 294

【前端学习】TailwindCSS 基础使用 (入门)

前端 新手入门 小白 CSS TailwindCSS 安装使用 教学 原子化 预定义类 语义化命名 移动先行 零基础 代码 程序员 fronted 自定义 npm npx

LZwarning0215的博客 5507

软件产品国际化:前后端及App多语言版本解决方案(超详细实现过程)

多语言版本解决方案是应对全球化趋势的关键策略,它通过构建灵活且可扩展的架构,支持软件产品在不同语言和文化环境下的顺畅运行与展示。此方案涵盖了前端多语言界面实现、后端多语言数据处理及大数据环境下的多语言支持等多个层面,确保公司能够高效地推出适应全球用户多样化需求的软件产品。在前端多语言界面实现方面,解决方案采用了国际化与本地化的结合方法。国际化过程确保软件的功能和代码设计能够处理多种语言和文化习惯,而本地化则针对特定地区进行界面和内容的调整。

大模型大数据攻城狮的专栏 2756

手把手教你完成YOLOv9 PyQt5目标检测界面搭建,实现图片检测、视频检测、摄像头检测,可用于大论文凑工作量或毕设必备,全网最详细教程

目标检测是计算机视觉中的重要任务,广泛应用于安防监控、自动驾驶、智能家居等领域。YOLO系列模型由于其高效的检测速度和较高的准确率,成为目标检测任务的首选算法之一。本项目结合 YOLOv9与 PyQt5,构建了一个图形化界面,便于用户进行目标检测的操作和展示,实现对图片、视频和摄像头的实时目标检测,不仅可以用于大论文的工作量展示,还可以作为毕业设计。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 2657

Tailwind CSS:告别手写CSS的奇妙之旅!(真香警告)

说实话,从最初怀疑 “这啥玩意儿?”,到后来 “离不开!真香!”,Tailwind CSS 彻底改变了我编写前端样式的方式。⚡ 火箭般的开发速度🧠 彻底摆脱 CSS 命名焦虑📏 强制的设计一致性📦 超小的生产环境 CSS 体积🛠️ 响应式、状态变体超级简单它需要一点学习成本,需要适应直接在 HTML 写样式的思维转换(特别是传统 CSS 写法的老手),也需要合理配置设计系统。但一旦你跨过这个门槛,你会发现构建 UI 变成了一件更高效、更可控、甚至有点乐趣的事情!所以,还在等什么?

machinelear的博客 4010

【100%通过率】华为OD机试真题 Java&Go 实现【微服务的集成测试】【2023 Q1 | 100分】

现在有n个容器服务,服务的启动可能有一定的依赖性(有些服务启动没有依赖),其次服务自身启动加载会消耗些时间。给你一个nxn 的二维矩阵 useTime,其中 useTime=10 表示服务i自身启动加载需要消耗10s,useTimeli[j]=1 表示服务i 启动依赖服务i 启动完成,useTimei[k]=0,表示服务i 启动不依赖服务 k其实 0

MISAYAONE的博客 1万+

Tailwind CSS:这个「原子化」神器,治好了我的CSS焦虑症!

Tailwind CSS 不仅仅是一个 CSS 框架,它代表了一种实用优先、约束驱动的开发范式。它用看似“原始”的原子类,组合出了惊人的开发效率和维护性。它治好了我对写CSS的恐惧和拖延症!!!(真实感受)现在让我回去手写传统CSS或捣鼓BEM,简直像让我用回诺基亚(痛苦面具!当然,工具是死的,人是活的。Tailwind 是强大的锤子,但别看什么都像钉子。理解它的理念,根据项目灵活运用,甚至吸收它的思想(设计约束、实用主义)改进你自己的工作流,这才是王道!试试吧朋友们!打开文档。

cloudcrafter的博客 1055

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

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")

重新认识 Tailwind CSS:从质疑到拥抱的心路历程

然而,经过实际项目的洗礼和深入的实践,我对 Tailwind CSS 的认识发生了根本性的转变。,但由于分散在不同文件中,难以统一维护和更新。在传统 CSS 方法下,我感到前所未有的压力:每个小的设计调整都需要修改多个文件,新功能的开发进度缓慢。它通过约束性设计系统和功能类优先的方法,在保持灵活性的同时强制实施一致性,在提高开发效率的同时确保可维护性。本文将从我的个人经历出发,详细分享从质疑到接受再到推崇 Tailwind CSS 的心路历程,希望能为正在犹豫是否采用这一技术的团队和个人提供有价值的参考。

weixin_54447959的博客 340

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Vue2 项目中使用 Tailwind CSS 的进阶技巧与实战优化

本文深入探讨了在Vue2项目中高效使用Tailwind CSS的进阶技巧与实战优化方案。内容涵盖从基础配置、深度定制主题与插件,到响应式设计、状态变体应用,以及通过组件化封装和性能优化策略构建可维护的前端设计系统。重点分享了如何结合Vue2的特性动态绑定类名,并利用PurgeCSS和精准配置控制生产包体积,助力开发者提升开发效率和UI一致性。

u5v6w7的博客 426

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

用 龙虾10 分钟搞定 C 语言 + 前端实训?我试了,真香!

选对模型 + 写好提示词,让“龙虾”帮你从零生成可运行的 C 语言成绩管理系统 + 全栈博客前端项目,连实训报告都自动生成!

欢迎大家一起讨论交流 1169

做好这 16 个方向,逐步搭建出团队的 vue3 前端架构

整理面试题,不是让大家去只刷面试题,而是熟悉目前实际面试中常见的考察方式和知识点,做到心中有数,也可以用来自查及完善知识体系。CodeChina开源项目:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】《前端基础面试题》,《前端校招面试题精编解析大全》,《前端面试题宝典》,《前端面试题:常用算法》很多,大同小异,请根据自己的实际情况配置。15.编写使用文档。

m0_60721823的博客 898

TailwindCss基本介绍和使用

TailwindCss基本介绍和使用

qq_40147756的博客 8813

tailwindcss优先级设置

taiwindcss设置

Ttowx的博客 5045

给我一个你不用tailwindcss的理由

tailwindcss的最佳实践?比scss、less、stylus等预处理器更好的样式方案?如何用tailwindcss来做移动端适配?给你答案!

Senar的博客 3877

一、Tailwind CSS 简述及安装 - 添加Tailwind 4 的使用方法

Tailwind CSS 是一个功能类优先的 CSS 框架,它与传统的 UI 框架(如 Bootstrap、Bulma 等)不同,不提供预设的组件,而是提供大量的功能类(utility classes),让开发者能够直接在 HTML 中组合这些类来构建自定义设计。

restyhap的博客 7239

Tailwind CSS,凭什么颠覆传统前端框架?

是一个 功能类框架,强调灵活性和可定制性,适合需要高度定制的项目,但需要更多的 CSS 理解和组合能力。● 传统框架(如 Bootstrap 和 Bulma)则是 组件驱动的框架,提供了大量的现成组件,适合快速开发和原型设计,尤其适合初学者和时间紧迫的项目。<head></head>Click Me</button></body></html>在使用Tailwind CSS时,你可能会发现默认的实用类无法完全满足你的设计需求。

weixin_43856422的博客 3386

Tailwind CSS:快速打造美观网页的秘密武器

Tailwind CSS是一个实用程序优先的CSS框架,旨在使用户能够更快、更轻松地创建应用程序。Tailwind CSS的诞生是为了解决传统CSS方案中的一些问题,如样式冗余、与内容耦合、命名困难、模块化不足等。Tailwind CSS的目标是通过提供一组实用程序类来控制布局、颜色、间距、排版、阴影等,让开发者能够更高效地创建自定义组件,无需编写自定义CSS或保留HTML。通过这种方式,Tailwind CSS能够提高开发效率和代码质量,使应用程序的样式更易于维护和扩展。

你若盛开,清风自来 3594

原子化CSS-Tailwind CSS的简介和使用

原子化 CSS(Atomic CSS) 是一种用于设计和构建现代 Web 应用程序的 CSS 框架。它提出了一种将 CSS 拆分为更小、更可维护的部分的方法,以便更好地组织和管理 CSS 代码。在原子化 CSS 中,CSS 组件被拆分为更小的部分,这些部分可以独立地编辑、测试和重用。这些原子通常是单个像素或极其微小的变化,例如颜色、大小、位置等。这些原子可以组合成更复杂的组件,例如按钮、表单、图标等。原子化 CSS 有助于减少代码量,提高代码的可维护性和可重用性,同时还有助于提高开发效率。

a20065259的博客 9443
上一篇: AI 助手降低了代码质量
下一篇: 短剧切片代理搞钱看过来!这辈子距离每月躺赚10W+最近的一次!
codingpy
博客等级 码龄11年 1874粉丝 104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