owl 轮播_如何使用Owl.js构建全屏响应式轮播滑块

owl 轮播

在上一篇文章中,我向您展示了如何使用slick.js构建自定义图像库。 今天,我将介绍使用owl.js (或“ Owl Carousel”)创建动画,响应式,全屏轮播滑块的过程 。

与往常一样,要初步了解我们将要构建的内容,请查看相关的CodePen演示(请查看较大的版本以获得更好的体验):

什么是猫头鹰轮播?

Owl.js是由David Deutch创建的流行的jQuery插件,可让您构建吸引人的,响应Swift的轮播。 为了更好地了解此插件可以为您提供什么,请查看演示 。

非常高兴的是,它在以下设备上经过测试,具有强大的浏览器支持:

  • Chrome
  • 火狐浏览器
  • 歌剧
  • IE7 / 8/10/11
  • iPad Safari
  • iPod4 Safari
  • Nexus 7 Chrome
  • 银河S4
  • 诺基亚8s Windows8

有关更多详细信息,请参阅文档 。

Owl.js入门

要开始使用owl,请先在项目中下载并安装以下文件:

  • jQuery的
  • owl.carousel.css或其缩小版本
  • owl.carousel.js或其缩小版本

(可选)您可能要导入owl.theme.default.css文件。

您可以访问相应的owl文件的副本,方法是访问其Github存储库 ,使用软件包管理器(例如npm ),或通过CDN加载必要的资产(例如cdnjs )。 对于本教程,我将选择最后一个选项。

就本教程而言,除owl文件外,我还结合了Babel和Bootstrap 4 。

考虑到这一点,如果您在演示笔的“设置”标签下查看,您会发现我包含了三个外部CSS文件和两个外部JavaScript文件。

1. HTML

首先,我们定义一个具有三个幻灯片的轮播。 这些幻灯片均包含一个标题,一个字幕和一个号召性用语按钮。

这是我们的演示页面所需的结构:

<div class="owl-carousel owl-theme">
  <div class="owl-slide d-flex align-items-center cover" style="background-image: url(IMG_SRC);">
    <div class="container">
      <div class="row justify-content-center justify-content-md-start">
        <div class="col-10 col-md-6 static">
          <div class="owl-slide-text">
            <h2 class="owl-slide-animated owl-slide-title">
              <!-- content here -->
            </h2>
            <div class="owl-slide-animated owl-slide-subtitle mb-3">
              <!-- content here -->
            </div>
            <a class="btn btn-primary owl-slide-animated owl-slide-cta" href="" role="button">
              <!-- content here -->
            </a>
          </div><!-- /owl-slide-text -->
        </div>
      </div>
    </div>
  </div><!-- /slide1 -->
  
  <!-- two more slides here -->
</div>
<!-- other sections here -->

值得一提的是两点:

  1. 上面的代码使用了Bootstrap 4类。 Bootstrap框架并不重要。 之所以包含它,是因为我想加快CSS的开发。
  2. 我通过内联样式添加了每张幻灯片的背景图像。 大多数时候,当您处理动态内容时,这是添加背景图像的最常用CSS方法。

2. CSS

放置好HTML之后,让我们看看将应用于页面CSS样式。 为简单起见,我们仅讨论部分可用样式。

首先,我们定义两个自定义属性和两个助手类:

:root {
  --main-white-color: white;
  --main-black-color: black;
}

.static {
  position: static; 
}

.cover {
  background-size: cover;
  background-position: center;
  background-repeat: no-repeat;
}

接下来,我们为轮播幻灯片指定样式,包括过渡:

.owl-carousel .owl-slide {
  position: relative;
  height: 100vh;
  background-color: lightgray;
}

.owl-carousel .owl-slide-animated {
  transform: translateX(20px);
  opacity: 0;
  visibility: hidden;
  transition: all 0.05s;
}

.owl-carousel .owl-slide-animated.is-transitioned {
  transform: none;
  opacity: 1;
  visibility: visible;
  transition: all 0.5s;
}

.owl-carousel .owl-slide-title.is-transitioned {
  transition-delay: 0.2s;
}

.owl-carousel .owl-slide-subtitle.is-transitioned {
  transition-delay: 0.35s;
}

.owl-carousel .owl-slide-cta.is-transitioned {
  transition-delay: 0.5s;
}

最后,我们为导航方法设置一些规则:

.owl-carousel .owl-dots,
.owl-carousel .owl-nav {
  position: absolute;
}

.owl-carousel .owl-dots .owl-dot span {
  background: transparent;
  border: 1px solid var(--main-black-color);
  transition: all 0.2s ease;
}

.owl-carousel .owl-dots .owl-dot:hover span,
.owl-carousel .owl-dots .owl-dot.active span {
  background: var(--main-black-color);
}

.owl-carousel .owl-nav {
  left: 50%;
  top: 10%;
  transform: translateX(-50%);
  margin: 0;
}

注意:幻灯片应覆盖整个窗口的高度,因此我们将其设置height: 100vh 。 但是,由于此设备在某些设备(例如iOS设备)上不一致,因此另一个选择是通过JavaScript设置幻灯片的高度(有关更多信息,请参见演示JavaScript面板)。

3. JavaScript

现在,我们准备将注意力转向JavaScript。

初始化轮播

第一步,我们将初始化轮播。 默认情况下,该插件提供“点导航”,但是我们的轮播也会包含导航箭头。

我们通过nav配置属性启用导航选项。 另外,由于navText配置属性,我们将一些自定义SVG定义为箭头。

触发轮播的代码如下所示:

const $owlCarousel = $(".owl-carousel").owlCarousel({
    items: 1,
    loop: true,
    nav: true,
    navText: [
      '<svg width="50" height="50" viewBox="0 0 24 24"><path d="M16.67 0l2.83 2.829-9.339 9.175 9.339 9.167-2.83 2.829-12.17-11.996z"/></svg>',
      '<svg width="50" height="50" viewBox="0 0 24 24"><path d="M5 3l3.057-3 11.943 12-11.943 12-3.057-3 9-9z"/></svg>'
    ]
  });

向幻灯片元素添加动画

下一步,我们为每张幻灯片的内容设置动画。 通过owl提供的changed事件可以处理此行为。

这是相关的代码:

$owlCarousel.on("changed.owl.carousel", e => {
  $(".owl-slide-animated").removeClass("is-transitioned");
  const $currentOwlItem = $(".owl-item").eq(e.item.index);
  $currentOwlItem.find(".owl-slide-animated").addClass("is-transitioned");
});

因此,每次我们访问新幻灯片时,首先所有幻灯片的内容都会消失。 然后,当前幻灯片的内容将以漂亮的幻灯片动画出现。

注意 :除了changed事件,我们可以同样使用translated事件。

到目前为止,我们已经了解了如何在幻灯片中循环播放动画。 但是,当轮播最初加载时,我们也需要这种动画。 为了实现此功能,我们将使用initialized事件。

以下是与此事件相关的代码:

/*you have to bind initialized event before owl's initialization (see demo) */
$(".owl-carousel").on("initialized.owl.carousel", () => {
  setTimeout(() => {
    $(".owl-item.active .owl-slide-animated").addClass("is-transitioned");
  }, 200);
});

在该事件内,我们将is-transitioned类添加到第一张幻灯片的元素中。

重要的是要注意,必须在轮播初始化之前附加此事件。

防止页面在加载时跳转

在继续之前,让我们先介绍一件棘手的事情。 如果查看演示页面,您会看到在转盘下方定义了一个section元素。 默认情况下,直到轮播加载,该部分的内容才会出现,并且在我们的页面中会发生一个小的跳转。

有两种方法可以解决此不良行为。 首先,我们可以添加一个预加载器(我们已经在与光滑相关的教程中做了此操作)。 我们将在此处实现的第二个选项是隐藏该section并在轮播初始化后立即显示它。

在代码方面,所需CSS规则是这样的:

section {
  display: none;
}

和JavaScript代码:

$(".owl-carousel").on("initialized.owl.carousel", () => {
  setTimeout(() => {
    // other code here
    
    $("section").show();
  }, 200);
});

设置点位置

我们要做的最后一件事是定位点导航。 默认情况下,它是绝对定位的。 应该发生以下情况:

  1. 它应与目标幻灯片的.owl-slide-text元素水平对齐。
  2. 它应位于该元素的下方,顶部间隙为20px。

运行并设置点期望位置的函数是setOwlDotsPosition 。

这是该函数:

function setOwlDotsPosition() {
  const $target = $(".owl-item.active .owl-slide-text");
  doDotsCalculations($target);
}

这将隔离活动幻灯片的.owl-slide-text元素,并将其作为参数传递给doDotsCalculations子函数。

这是子功能:

function doDotsCalculations(el) {
  const height = el.height();
  const {top, left} = el.position();
  const res = height + top + 20;

  $(".owl-carousel .owl-dots").css({
    top: `${res}px`,
    left: `${left}px`
  });
}

在此函数内,我们根据目标元素的高度和位置设置.owl-dots元素的适当的top , left值。

迎合浏览器调整大小

更进一步,当我们调整浏览器窗口的大小时,点的位置应该更新。 为此,我们利用了resize owl事件。

这是必要的代码:

$owlCarousel.on("resize.owl.carousel", () => {
  setTimeout(() => {
    setOwlDotsPosition();
  }, 50);
});

根据内容定位

最后但并非最不重要的一点是,当我们浏览幻灯片时,必须根据活动幻灯片内容的高度和位置来重新定位点。 再次感谢changed事件,我们能够解决这一新要求。

以下是相关代码:

$owlCarousel.on("changed.owl.carousel", e => { 
  // other code here

  const $currentOwlItem = $(".owl-item").eq(e.item.index);
  const $target = $currentOwlItem.find(".owl-slide-text");
  doDotsCalculations($target);
});

专家提示

在关闭之前,让我们讨论一个常见的猫头鹰错误。 如果我们移除轮播下方的部分,则垂直滚动条会消失,   出现相邻幻灯片的一部分。

为了解决这个问题,我们在轮播初始化之后触发refresh事件,如下所示: $owlCarousel.trigger("refresh.owl.carousel");

4.浏览器支持

该演示程序应该在所有最新的浏览器中都能正常运行,并且您可以在项目中安全地使用它。 这提醒了我们所构建的:

结论

在这个详尽的教程中,我们设法使用owl.js构建了一个动画的全屏轮播滑块。 希望您将获得一些新技能,并可以在即将进行的项目中付诸实践。 与往常一样,如果您有任何疑问,请在下面的评论中告诉我。

翻译自: https://webdesign.tutsplus.com/tutorials/how-to-build-a-full-screen-responsive-carousel-slider-with-owljs--cms-31771

owl 轮播

owl.js 基础文件,下载后可更名为owl.js 运行OWL框架时是必需品 立即下载

相关推荐

owl.carousel.min.js

owl.carousel.min.js

jQuery幻灯片插件OWL Carousel

简介 Owl Carousel 是一个强大、实用但小巧的 jQuery 幻灯片插件,它具有一下特点: 兼容所有浏览器 支持响应式 支持CSS3过度 支持触摸事件 支持JSON及自定义JSON格式 支持进度条 支持自定义事件 支持延迟加载 支持自适应高度 …… Owl Carousel 提供了众多的参数、回调函数及自定义事件(具体请往下浏览),所以它...

anshuyou4769的博客 504

OWL:一个用于结构化,动态和可维护应用程序的Web框架-Node.js开发

:owl:OWL框架with具有挂钩,React状态和并发模式的基于类的组件项目概述Odoo Web库(OWL)是一个很小的(〜<20kb gzip压缩)UI框架,旨在作为基础:owl:OWL框架:owl:具有挂钩的基于类的组件,React状态和并发模式项目概述Odoo Web库(OWL)是一个较小的(〜<20kb gzip压缩)UI框架,旨在用作Odoo Web客户端的基础。 Owl是一个用Typescript编写的现代框架,以一种简单而一致的方式吸收了React和Vue的最佳创意。 Owl的主要功能是:声明性组件系统,基于钩子的React性系统,默认情况下的并发模式,存储和前端

owlCarousel

简介 Owl Carousel 是一个强大、实用但小巧的 jQuery 幻灯片插件,它具有一下特点: 兼容所有浏览器支持响应式支持 CSS3 过度支持触摸事件支持 JSON 及自定义 JSON 格式支持进度条支持自定义事件支持延迟加载支持自适应高度…… Owl Carousel 提供了众多的参数、回调函数及自定义事件(具体请往下浏览),所以它几乎可以满足你的所有要求。 兼容

u012171227的专栏 2771

OwlCarousel演示10种不同的调用方法

OwlCarousel演示10种不同的调用方法 OwlCarousel演示10种不同的调用方法 OwlCarousel演示10种不同的调用方法 OwlCarousel演示10种不同的调用方法 OwlCarousel演示10种不同的调用方法

STM32F407 HAL库定时器触发ADC采集与DMA数据传输(定时器TIM+ADC+DMA)

在STM32F407系列微控制器的开发中,结合定时器、ADC(模数转换器)与DMA(直接存储器访问)控制器,能够显著提升数据采集与传输的效率。本文将指导你如何使用STM32 HAL库,通过定时器触发ADC1的单通道采集,利用DMA传输数据,最终通过串口将电压值打印出来。具体实现中,我们将读取ADC1的通道5(对应引脚PA5),并将转换得到的电压值发送到串口助手上进行显示。

jmlinux的博客 7015

【Jquery插件集合】轮播、时间处理插件

【Jquery插件集合】轮播、时间处理插件

阿晨的博客 4688

【PCIe】CDNS PCIe VIP 杂记 -- Callback

最近在研究Cadence PCIe VIP,怎一个“惨淡”来描述。用的真是一言难尽啊,都是泪。记录一些最近学习的觉得想记录的内容在此,仅供参考讨论学习哈。有不对之处请指出大家一起讨论。

小邦是名小ICer的博客 2716

jquery幻灯片插件之owl.carousel.js

官网地址:http://owlcarousel2.github.io/OwlCarousel2/ 这个插件兼容各种浏览器,以及移动端 使用方法: 1、下载文件,解压以后,把dist里面的文件放到项目中 2、引入jquery文件,必须是1.8以上的 3、页面引入的文件: <link rel="stylesheet" href="./js/vendor/OwlCarou...

829

DDR内存接口深度解析:从寻址机制到FPGA时序约束实战

在高速数字系统设计中,内存接口是决定系统性能与稳定性的关键。DDR(双倍数据速率)技术通过在时钟的上升沿和下降沿传输数据,实现了带宽的倍增,广泛应用于消费电子、通信设备和工控主板等领域。其核心原理在于利用三维存储阵列(Bank、Row、Column)的分级寻址机制,通过先进行行激活、再进行列访问的固定时序,实现高速数据吞吐。理解这一寻址顺序是进行精准时序分析的基础。在工程实践中,FPGA作为内存控制器,需通过严谨的时序约束(如set_input_delay)来确保信号在高速传输下的建立与保持时间要求,从而将

weixin_29192211的博客 198

基于YOLOv10深度学习的花生种子霉变检测系统

YOLO(You Only Look Once)是当前最先进的目标检测算法之一,具有快速、精准的特性。YOLOv10是YOLO系列的最新版本,相较于之前的版本,YOLOv10在特征提取、模型精度和速度上都有了显著的提升。YOLOv10采用了更深的卷积神经网络、更多的跨层特征融合方法,使得其在不同尺寸物体的检测和复杂场景的处理上都表现出了优异的性能。YOLOv10特别适合应用在需要快速处理并检测大量图像的任务中,如花生种子霉变检测等,能够实现精准、高效的检测。

2201_76125393的博客 649

odoo17 JS框架3——OWL组件

Owl 组件经历了很多阶段:它可以实例化、渲染、 安装、更新、拆卸、销毁......这是组件生命周期。粗略地说,一个组件被创建,然后更新(可能很多次),然后被销毁。但是,如果您考虑一下,就会发现一个问题:实际的 html 元素 创建组件时,组件不存在。到目前为止,我们列表中的待办事项是硬编码的。),并在其中 情况下,创建一个新的待办事项,以输入的当前内容作为描述,并清除 输入所有内容。的情况下,它会生成一个链接到当前组件的代理对象。返回一个包含(for element)键的对象,该键仅在 组件已挂载。

Xodoo开源市场 993

芒果YOLOv10改进31:特征融合Neck篇:改进特征融合网络 BiFPN 结构,融合更多有效特征

YOLOv10改进:特征融合Neck篇:改进特征融合网络 BiFPN 结构,融合更多有效特征

包括YOLOv5、YOLOv7、YOLOv8等模型改进 686

owl.carousel.js 2.3.4动态添加数据

【代码】owl.carousel.js 2动态添加数据。

墨迹斑斑的老墙 608

SolidWorks速成教程P4-4【装配体 | 第四节】——装配体内修改模型&编辑配合方法&配合报错的解决方法

截止目前已介绍完 SolidWorks装配体的常用功能,但基础薄弱的小伙伴或许对装配体的各类功能还不够熟悉。所以这节将进一步加强装配体的学习,同时介绍新手容易犯的错误。总结出三点,一是装配体内修改模型,二是编辑配合,三是配合报错的解决方法。

嵌入式阿齐Archie 5555

学Simulink--基础微电网场景实例:基于Simulink的微电网黑启动过程建模与仿真

黑启动(Black Start)是指在全系统停电(无电压、无频率)状态下,微电网依靠内部电源自主恢复供电的能力。🌩️典型场景主网长时间故障自然灾害导致区域停电计划检修后重启❗挑战无参考电压/频率 → 逆变器无法锁相负荷逐级投入 → 需避免过流/过压多电源协调 → 防止环流或失步✅黑启动成功标准在30 秒内恢复关键负荷供电电压/频率稳定在范围内无设备损坏或保护跳闸🎯本文目标:手把手教你使用 Simulink + Simscape + Stateflow 搭建。

amy_mhd的博客 202

OWL框架教程:从零构建Todo应用

本文将基于OWL框架(Odoo Web Library)带领开发者从零开始构建一个功能完整的Todo应用。OWL是Odoo前端开发的核心框架,采用现代Web开发理念,通过本教程您将掌握OWL的核心概念和开发模式。 ## 开发环境准备 首先创建基础项目结构: ``` todoapp/ index.html # 应用入口文件 app.css # 样式文件

gitblog_00603的博客 458

rosbag分析传感器数据的时间同步情况方法

ROS传感器时间同步分析流程:通过rosbaginfo初步检查bag文件信息,使用rqt_bag可视化时间线分布,采用rostopicecho或Python脚本提取各传感器时间戳并计算时间差统计值(均值/最大差/标准差),最后分析接收与采样时间延迟。量化评估同步精度,识别固定偏移或随机抖动问题,确保多传感器数据对齐,为后续融合处理提供可靠数据基础。

start_up_go的博客 204

owl.carousel轮播插件实例化一次

<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>模块</title> <!--owl.carousel.min.css是插件最基本的css,必须引入,如果需要默认的轮播只是按钮的样式,引入owl.theme.default.min.css--> <link rel="style

小利的博客 5055

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")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

OwlCarousel使用

参考:http://www.jq22.com/jquery-info6010 使用方法 Owl Carousel 2是上一版Owl Carousel的升级版本。Owl Carousel 2可以让你创建漂亮的响应式旋转木马的jQuery插件,它支持移动触摸屏,功能十分强大。Owl的新特性有: 可以无限循环 项目可以居中显示 灵活的速度控制 多级别的paddin...

sz_09的博客 1万+

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

推荐项目:owl - 基于Vue.js的高效开发框架

推荐项目:owl - 基于Vue.js的高效开发框架 1. 项目介绍 owl是一个精心设计的Vue.js项目模板,旨在简化前端开发流程,提高开发效率。它提供了热重载、生产环境的代码压缩以及全面的测试支持,为开发者提供了一个全方位的开发环境。 2. 项目技术分析 owl基于强大的Vue.js生态系统构建,利用了Webpack作为模块打包工具,以实现代码分割和优化资源加载。配合vue-loader,项...

gitblog_00018的博客 485

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

关于OWL-carousel插件在ajax调用后需要重新实例化问题(页面无轮播效果)

维护公司老项目,发现问题,记录一下~

CaseyWei 3050

【亲测免费】 OWL 前端框架教程

OWL 前端框架教程 项目介绍 OWL(Object-Web Layer)是一个由TalkingData开发的前端框架,旨在为结构化、动态和可维护的应用程序提供支持。OWL框架基于XML模板,支持动态生成用户界面,并且不需要复杂的工具链。它借鉴了Vue和React的声明式组件系统,使用QWeb模板和OWL特定的指令来定义组件。 项目快速启动 安装OWL 首先,你需要通过npm安装OWL: npm ...

gitblog_00853的博客 700

js 幻灯片插件,owlCarousel

还算好用,就是图片上不好加链接。看了几十分钟没找到项目中链接,只好加在了文字上。或者在外框上加,那样链接内容又要另考虑与图片同步问题了。官网:http://www.owlgraphic.com/owlcarousel/ Github地址:https://github.com/OwlCarousel2/OwlCarousel2 中文文档:http://www.htmleaf.com/jQuery/S...

程序员写的技术 FAQ 和杂文 848

新闻分页循环图片左右滚动代码html,jQuery响应式触屏图片左右滚动代码owl.carousel...

这是一款基于owl.carousel.js和jquery-1.9.1.min.js实现的响应式左右滚动代码,自适应屏幕大小,响应式设计,完美兼容PC端和手机移动设备,支持触屏滑动效果,支持点击按钮切换,有“上一张、下一张”按钮链接,可设置一屏显示的图片个数,兼容各大主流浏览器!1、引入文件2、HTML123456783、JavaScript$(function(){$('#owl-example'...

weixin_42472941的博客 933
上一篇: web项目页面加载动画_尝试我们的实用Web动画课程,并提供新的奖励项目!
下一篇: 轮播横向文本css_使用“书写模式” CSS属性轻松创建横向文本
daique1908
博客等级 码龄10年 29粉丝 0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  | 博主筛选后可见
 
 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