grunt 入门_PostCSS快速入门指南:Grunt设置

grunt 入门

在上一个教程中,我们介绍了如何使用Gulp设置PostCSS项目。 在本教程中,我们将通过使用Grunt达到相同的目的。 在本教程结束时,您将了解如何使用所选的任何插件来设置PostCSS + Grunt项目。

注意 :如果您以前从未使用过命令行或任务运行器,建议您在开始本教程之前阅读我们的免费系列: Web设计命令行 。

先决条件

在与Grunt一起工作时,我们假设您已经安装了使用它的先决条件:

  • Node.js
  • NPM
  • 吉特

如果不确定是否已安装这些工具,请按照教程Web设计命令行:驯服第三者软件包 。

请确保您已全局安装了Grunt CLI,并通过遵循Web设计命令行:使用Grunt自动化了解其基本用法。 此外,请按照教程“针对Grunt的安装项目”部分中的说明进行操作。 在继续之前,您应该具有以下项目文件夹:

  • 一个“ gruntfile.js”(Gruntfile)
  • 一个“ package.json”文件
  • Grunt已安装到“ node_modules”文件夹中,并设置为项目的开发依赖项。

PostCSS通过Grunt

在项目文件夹中,添加两个子文件夹,一个名为“ src”,另一个名为“ dest”。 “ src”文件夹将保存您未处理CSS文件,而PostCSS会将已编译CSS文件写入“目标”文件夹。

您需要做的下一件事是将PostCSS的Grunt插件安装到您的项目中:我们将使用grunt-postcss处理编译。

在指向您的项目文件夹的终端/命令提示符中,运行命令:

npm install grunt-postcss --save-dev

此时,您的项目结构应如下所示:

打开您的Gruntfile进行编辑,然后开始添加所有Gruntfiles所需的基本代码外壳:

module.exports = function(grunt) {

  

};

在其中,我们将使用grunt.loadNpmTasks()函数来加载grunt-postcss插件,如下所示:

module.exports = function(grunt) {

  grunt.loadNpmTasks('grunt-postcss');

};

现在,我们准备开始配置用于运行postcss的Grunt任务。 首先,在刚添加的行上方添加grunt.initConfig()函数:

module.exports = function(grunt) {

  grunt.initConfig({
 
  });

  grunt.loadNpmTasks('grunt-postcss');

};

在其中,设置一个名为postcss的对象, postcss所示:

module.exports = function(grunt) {

  grunt.initConfig({

    postcss: {
      
    }
 
  });

  grunt.loadNpmTasks('grunt-postcss');

};

在新的postcss对象中,我们将添加两个嵌套的对象,一个命名options ,一个命名为dist :

module.exports = function(grunt) {

  grunt.initConfig({

    postcss: {

      options: {

      },
      dist: {
        
      }

    }
 
  });

  grunt.loadNpmTasks('grunt-postcss');

};

该options对象将举行PostCSS的配置和dist对象将举行,其中我们CSS文件应该从读取和写入信息。

现在开始,在项目的“ src”文件夹中创建一个名为“ style.css”CSS文件。 向其中添加一些测试代码,例如:

.test {
    background: black;
}

现在更新dist对象,以指定“ src / style.css”作为我们的源文件,并指定“ dest / style.css”作为我们要生成的文件:

dist: {
        src: 'src/style.css',
        dest: 'dest/style.css'
      }

然后,在options对象内,添加一个名为processors的空数组。 这是我们将配置PostCSS插件以便稍后使用的地方。 现在,只需将其更新为:

options: {
        processors: [
        ]
      },

运行测试编译

现在您的基本postcss任务已准备就绪。 要进行测试,请在终端/命令提示符仍然指向项目文件夹的情况下,运行以下命令:

grunt postcss

在您的终端中,您应该看到以下消息:

Running "postcss:dist" (postcss) task
>> 1 processed stylesheet created.

现在,在“目标”文件夹中,您应该找到一个新的“ style.css”文件,其中包含与“ src”文件夹中的“ style.css”文件相同的代码。

添加PostCSS插件

接下来,我们将添加一系列PostCSS插件和包: Autoprefixer (添加供应商前缀), cssnext (启用将来的语法)和precss (使用Sass之类的功能扩展)。

运行以下命令以将每个命令安装到您的项目中:

npm install autoprefixer --save-dev
npm install cssnext --save-dev
npm install precss --save-dev

注意 : cssnext和precss安装可能需要一些时间,因为它们包含多个插件。

现在,我们准备通过我们先前创建的processors数组来加载每个插件。 将该数组更新为以下内容:

processors: [
          require('autoprefixer')(),
          require('cssnext')(),
          require('precss')()
        ]

让我们继续吧,现在将一些测试代码添加到源“ style.css”文件中,并检查我们新设置的PostCSS插件是否按预期工作。

删除文件中已有的文件,然后添加以下CSS:

/* Testing autoprefixer */

.autoprefixer {
  display: flex;
}

/* Testing cssnext */

.cssnext {
  background: color(red alpha(-10%));
}

/* Testing precss */

.precss {
  @if 3 < 5 {
    background: green;
  }
  @else {
    background: blue;
  }
}

现在再次运行grunt postcss命令,“目标”文件夹中的结果文件应具有以下内容:

/* Testing autoprefixer */

.autoprefixer {
  display: -webkit-box;
  display: -webkit-flex;
  display: -ms-flexbox;
  display: flex;
}

/* Testing cssnext */

.cssnext {
  background: rgba(255, 0, 0, 0.9);
}

/* Testing precss */

.precss {
  background: green
}

您将在.autoprefixer类中看到, .autoprefixer已添加了供应商前缀。 在.cssnext类中,cssnext生成了rgba()颜色。 最后,在.precss类中, @if @else已评估了@if @else条件。

设置插件选项

注意,如果要配置插件的选项,请在该插件的require()函数之后的第二对括号中传递选项。 例如,您可以指定要使用Autoprefixer的浏览器列表,如下所示:

processors: [
          require('autoprefixer')({browsers: ['last 1 version']}),
          require('cssnext')(),
          require('precss')()
        ]

分享你的项目

PostCSS的优点在于可以使用任何插件组合进行配置。 但是,这带来的挑战是确保希望在项目上工作的其他人具有相同的PostCSS插件设置。 多亏了npm ,这个挑战可以通过其依赖管理系统来处理。

因为每次将插件安装到项目中时都使用--save-dev标志,所以它将作为dev依赖项添加到“ project.json”文件中。 这意味着,如果您想与其他人共享您的项目,他们可以在与他们共享的软件包上运行命令npm install ,并自动安装所有相同的插件。

要了解有关依赖管理如何与NPM一起工作的更多信息,请查看教程Web设计命令行:驯服第三者软件包 。

回顾一下

总结以上所有内容:

  • 创建一个安装了Grunt并在其中包含Gruntfile的npm项目
  • 安装grunt-postcss插件
  • 设置您的Gruntfile shell,使用grunt.loadNpmTasks('grunt-postcss');加载grunt-postcss grunt.loadNpmTasks('grunt-postcss');
  • 创建一个艰巨的任务来编译CSS
  • 在任务中,设置一个包含processors数组的options对象
  • 同样在任务中,设置一个dist对象,指定您的源文件和编译文件的目标

从那里开始,您可以按照相同的基本步骤在项目中启用任何PostCSS插件:

  • 使用以下命令将插件安装到项目中
    npm install <plugin_name> --save-dev
  • 使用require()函数将该变量名添加到preprocessors数组中
    require('<plugin_name>')() 。

查看Github仓库中的入门文件和完整示例。

下一步:探索插件

现在,您知道如何使用Gulp或Grunt来将PostCSS与您选择的任何插件一起使用。 接下来,您需要探索PostCSS插件生态系统并找到适合您要创建的项目的完美插件的方法。

在下一个教程中,我们将详细介绍如何实现此目的。 “ 快速入门指南:探索插件 ”。

翻译自: https://webdesign.tutsplus.com/tutorials/postcss-quickstart-guide-grunt-setup--cms-24545

grunt 入门

Web 应用开发中的PostCSS概述(包括PostCSS介绍、PostCSS使用以及PostCSS常用插件) 在 Web 应用开发中,CSS 代码的编写是重要的一部分。CSS 规范从最初的 CSS1 到现在的 CSS3,再到 CSS 规范的下一步版本,规范本身一直在不断的发展演化之中。这给开发人员带来了效率上的提高。不过与其他 Web 领域的规范相似的处境是,CSS 规范在浏览器兼容性方面一直存在各种各样的问题。不同浏览器在 CSS 规范的实现方面的进度也存在很大差异。另外,CSS 规范本身的发展速度与社区的期待还有一定的差距。这也是为什么 SASS 和 LESS 等 CSS 预处理语言可以流行的重要原因。 阅读详情

相关推荐

海康工业相机BayerRG8转BGR8实战:手把手教你用OpenCV实现高效图像转换

本文详细解析了海康工业相机BayerRG8格式到BGR8格式的高效转换实战。针对工业视觉项目中高帧率、大分辨率场景下的性能瓶颈,文章对比了海康SDK原生方案与OpenCV多种转换方法的优劣,并提供了从基础实现到高级优化(如多线程流水线、内存管理、SIMD指令集应用)的完整代码示例与性能调优策略,帮助开发者构建稳定、高效的图像处理系统。

weixin_29237635的博客 525

关于Grunt-postcss项目的基础介绍及常见问题解决方案

关于Grunt-postcss项目的基础介绍及常见问题解决方案 基础介绍 Grunt-postcss 是一个Grunt插件,它允许用户通过PostCSS对CSS文件应用多种后处理器。PostCSS是一个强大的工具,用于转换CSS代码,以实现自动添加浏览器前缀、优化CSS结构、转换CSS单位等功能。Grunt-postcss 项目主要使用JavaScript编程语言。 新手常见问题及解决步骤 问题一...

gitblog_01077的博客 955

华硕三频万兆分布式路由组网实战:从AiMesh 2.0到全屋Wi-Fi 6覆盖

Mesh组网是解决大户型Wi-Fi覆盖难题的主流方案,其核心原理是通过多个节点构建网状网络,实现设备间的无缝漫游。在技术层面,Wi-Fi 6标准、三频设计(包括专属回程频段)和有线回程等技术,共同提升了网络的带宽、稳定性和抗干扰能力。这些技术的工程价值在于,能够为多设备并发、高带宽应用(如4K/8K流媒体、在线游戏、内网文件高速传输)提供可靠支撑。具体到应用场景,例如利用华硕AiMesh 2.0系统,配合三频万兆分布式路由器,可以实现智能的设备连接与负载均衡。通过合理规划节点位置、优先采用有线回程,并进行Q

weixin_34054866的博客 434

postcss 插件_PostCSS深入研究:创建自己的插件

到现在为止,我相信您已经非常了解并真正聚集了,使PostCSS惊奇的是其蓬勃发展的插件生态系统。 一个巨大的原因是,有这么多很棒的插件,而且每时每刻都有更多的插件出现,这是因为PostCSS使得创建自己的插件对任何具有JavaScript经验的人都可以访问。 制作PostCSS插件不需要特殊权限; 如果您想制造一个,那就继续吧。 通过这种自由,您可以将CSS开发过程变成您想要的任何东西,更...

Web design 教程小屋 1183

STM32 RT-Thread 系统分析(1)- 启动文件

RT-Thread STM32 系统分析(1)- 启动文件前言基本信息前言说明三级目录 前言 基本信息 名称 描述说明 RT-Thread Studio 软件版本 版本: 1.1.3 RT-Thread 系统版本 4.0.2 STM32CubeIDE 软件版本 1.4.0 STM32芯片型号 STM32F013VG 前言说明 使用了STM32CubeIDE 和 RT-Thread Studio 建立了相同型号芯片的工程,对比其中启动文件内容差异如下: 左侧是RT-Threa

鸳鸯冰笔的博客 4101

C#实现低通和高通滤波算法

低通滤波器允许通过低于某个截止频率的信号成分,并且抑制高于该频率的成分。而高通滤波器则允许通过高于某个截止频率的信号成分,并抑制低于该频率的成分。巴特沃斯滤波器是一种对称的滤波器,具有平坦的幅度响应和最小的群延迟。低通和高通滤波是数字信号处理中常用的滤波技术,用于滤除或增强信号中的特定频率成分。在本篇文章中,我们将使用C#编程语言来实现低通和高通滤波算法。以上就是使用C#实现低通和高通滤波算法的示例代码。你可以根据自己的需求调整截止频率和采样率,将这些代码应用于你的项目中。是滤波器的截止频率,

XisVisual_Basic的博客 1276

PostCSS使用教程

木槿花开 1万+

23、微波电路中的过孔、过孔围栏与接地焊盘建模分析

本文详细分析了微波电路设计中过孔、过孔围栏及接地焊盘的建模与优化方法。探讨了过孔模型的发展及其电感与电容特性,通过场求解器和集总元件模型提高建模精度。此外,分析了过孔隔离围栏在改善信号隔离中的作用,并通过2.5D和3D电磁仿真验证其效果。最后,研究了接地焊盘中过孔布局对电路稳定性的影响,提出了优化过孔位置以消除谐振和杂散振荡的方法。文章为微波电路设计提供了重要的理论支持和实践指导。

convnet3designer的博客 166

学习 PostCSS 以及使用

PostCSS 是一个使用 JavaScript 工具和插件转换 CSS 代码的工具,它的主要功能其实是可以利用 JavaScript 去处理一些原生的 CSS 或者预处理器(Less、Sass)处理不了的工作。

LizequaNNN的博客 3427

在 SAP ABAP 里可靠地对接 FTP 服务器:从连接、命令到传输与排错的完整实战

本文详细介绍了在SAP ABAP中实现FTP文件交换的完整技术方案。文章首先解析了FTP协议的双连接特性(控制连接与数据连接),强调保持控制连接的重要性。随后详细说明了ABAP中FTP操作的四步标准流程:建立连接(包含HTTP_SCRAMBLE加密)、执行命令、断开连接和关闭RFC通道。文章提供了实战案例代码,演示如何将FTP文件复制到应用服务器再读取进内表处理,特别指出后台作业与前台操作的关键差异。最后总结了常见错误排查要点,包括连接模型、路径设置和资源释放等问题。全文通过SAP标准函数模块的调用顺序、典

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 314

把 SAP S/4HANA 系统转换做成一场可控工程:从预转换整改到 SUM 落地的任务全景图

SAP S/4HANA系统转换远非简单的技术升级,而是一项涉及业务、数据和技术多层面的复杂工程。关键挑战包括:主数据治理(特别是CVI整合)、财务数据一致性修复、定制代码优化,以及选择适合的转换工具(如SUM/DMO)。项目成功取决于充分的前置准备,包括SAP Readiness Check评估、Maintenance Planner检查等强制性步骤。这些前期工作虽耗时,但能显著降低转换风险,避免将历史问题带入新系统。企业需将转换视为业务流程重塑的机会,而非单纯的技术迁移。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1307

postcss安装和使用(详细)

在根路径定变零--color变量后,在不使用postcss-cssnext插件时,postcss转化后的css文件中p标签里面的背景色的值还是变量形式,这就需要用到postcss-cssnext插件。reset.css文件是demo.css中导入的文件,通过postcss转化后并没有在同级目录生成新的reset.css文件,代码依旧是@impor”./reset.css”使用postcss转化之后引入的reset.css文件也被转化并合并到新的css文件中。

玖疯子 5581

机器学习分类算法之XGBoost(集成学习算法)

目录 走进XGBoost 什么是XGBoost? XGBoost树的定义 XGBoost核心算法 正则项:树的复杂程度 XGBoost与GBDT有什么不同 XGBoost需要注意的点 XGBoost重要参数详解 调参步骤及思想 XGBoost代码案例 相关性分析 n_estimators(学习曲线) max_depth(学习曲线) 调整max_depth 和min_child_weight 调整gamma 调整subsample 和colsample_bytree 调整正则

迷茫与徘徊只会让你陷入绝境,欢迎私信博主,带你开始提升变现价值! 11万+

PostCSS CSSNext终极指南:如何在Webpack、Gulp、Grunt中快速配置下一代CSS

想要在项目中立即使用最新的CSS语法而不必等待浏览器支持吗?PostCSS CSSNext正是你需要的构建工具集成解决方案!🚀 这个强大的PostCSS插件能够将未来的CSS规范转换为当前浏览器兼容的CSS代码,让你的开发工作流程更加高效。 ## 为什么选择PostCSS CSSNext? PostCSS CSSNext是一个综合性的CSS处理器,集成了20+个PostCSS插件,包括:

gitblog_00742的博客 439

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。

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

mdcss与PostCSS完美结合:打造现代化CSS文档工作流

mdcss是一款强大的工具,能帮助开发者利用CSS注释轻松创建和维护风格指南,结合PostCSS构建工具,为前端开发带来高效的文档工作流。无论是新手还是有经验的开发者,都能通过这个组合快速上手,提升CSS开发效率。 ## 🌟 为什么选择mdcss与PostCSS组合? 在现代前端开发中,CSS文档的重要性不言而喻。mdcss作为PostCSS插件,通过Markdown语法在CSS注释中编写文

gitblog_00363的博客 1169

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

如何在CSS中直接编写SVG?postcss-write-svg完整入门指南

postcss-write-svg是一款强大的PostCSS插件,它让开发者能够直接在CSS中编写SVG代码,无需额外的SVG文件,极大地简化了样式开发流程。通过这种方式,你可以轻松创建和管理矢量图形,实现更灵活的样式设计。 ## 什么是postcss-write-svg? postcss-write-svg是一个PostCSS插件,它允许你在CSS中使用`@svg`规则直接定义SVG图形,并

gitblog_00514的博客 376

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")

grunt-autoprefixer源码解析:从任务注册到CSS处理的完整实现原理

Grunt-autoprefixer 是一个强大的 Grunt 插件,专门用于自动化添加 CSS 前缀,让开发者无需手动编写浏览器厂商前缀。这个工具基于 Autoprefixer 核心库,利用 Can I Use 数据库的最新数据,智能地为 CSS 属性添加必要的前缀,确保样式在各种浏览器中都能正常工作。通过深入解析其源码,我们可以了解这个自动化构建工具如何从任务注册到 CSS 处理实现完整的处理

gitblog_00358的博客 955

PurpleMine2开发者手册:从SCSS架构到Grunt工作流的深度解析

PurpleMine2是一款为Redmine 3.x-4.x设计的主题,通过精心组织的SCSS架构和自动化的Grunt工作流,帮助开发者快速构建美观且功能完善的Redmine界面。本手册将深入解析其代码结构、样式系统和构建流程,为开发者提供完整的主题开发指南。 ## 主题架构概览:核心目录结构解析 PurpleMine2采用模块化架构设计,核心代码组织在`src/`目录下,主要包含两大模块:

gitblog_00590的博客 715

【grunt+postcss应用】给一个css文件中所有选择器加上父级选择器

这种形式允许每个目标可以省略files属性,直接在目标任务的属性位置增加src属性和dest属性,分别指向源文件和目标文件。但是不能直接作为单任务的属性,不能写到一级任务属性中。name: 'grunt', // 常量})这样会导致src和dest被解析成两个目标,而不是配置文件的属性。name: 'grunt', // 常量task1: {},task2: {})这种格式支持额外属性上述讲述了定义src-dest一一对应关系的几种格式。

weixin_45855469的博客 327

PostCSS快速入门使用

初识PostCSS如果你第一次听说PostCSS这个东西,那么请看下面摘自官方Github的介绍:PostCSS is a tool for transforming CSS with JS Plugins. These plugins can support variables and mixins, transpile future CSS syntax, inline images, and...

凹凸实验室 234

PostCSS及其常用插件介绍

前几天,PostCSS 6.0 分布了。PostCSS 处理了很多你不必处理的乏味工作。它很巧妙的不同于预处理器,提供了可选的且更简洁的编程语言,来编译成 CSS,如 Sass、Less 与 Stylus。它的名字。PostCSS 既能在预处理器将源代码编译成 CSS 之前也能在其之后对文件执行操作。PostCSS 能替代你的预处理器。现在有很多插件实现了一些设计,如变量、 嵌套、mixins 以及 extends。

玖疯子 1461

postcss安装和使用

安装PostCSS通常涉及使用npm(Node Package Manager)或者yarn等JavaScript包管理器。

宁夏前端工程师,马卫斌,wx:1457508895 2277

为什么选择mdcss?5大理由让你的样式指南维护效率提升10倍

mdcss是一款让你轻松使用CSS注释创建和维护样式指南的工具,通过Markdown格式让样式文档编写变得简单高效。无论是前端新手还是资深开发者,都能快速上手并显著提升团队协作效率。 ## 🚀 理由一:直接在CSS中编写文档,无需切换上下文 mdcss最核心的优势在于允许开发者直接在CSS文件中编写样式指南。你不需要在CSS和单独的文档文件之间来回切换,所有的文档说明都可以放在CSS注释中,

gitblog_00593的博客 925

sass postcss_将PostCSS与Sass,Stylus或LESS一起使用

如果您对使用PostCSS感兴趣,但是仍然喜欢自己喜欢的预处理器,请不要担心。 您无需在这两者之间做出选择,您可以将它们彼此直接使用。 有几个PostCSS插件可以很好地补充预处理器,因为它们将功能添加到您的工作流中,否则仅使用预处理器是不可能的,或者至少要困难得多。 我们将介绍其中一些免费的插件,然后通过设置指南向您展示如何与Sass,Stylus或LESS并存使用PostCSS。 ...

Web design 教程小屋 1908

mdcss核心功能解析:让CSS注释变身交互式文档的秘密

mdcss是一款强大的工具,它能让开发者轻松地使用CSS注释结合Markdown创建和维护风格指南,极大地简化了前端项目中文档与代码的同步工作。 ## 🌟 什么是mdcss? mdcss的核心功能是将CSS中的特殊注释转换为美观且实用的交互式文档。通过简单的注释语法,开发者可以在编写CSS代码的同时,自动生成专业的样式指南,实现代码与文档的无缝结合。 ## 🚀 核心功能揭秘 ### 1

gitblog_00820的博客 822

PostCSS概述

PostCSS是一个开源工具,它使用一系列可插拔的JavaScript插件来处理CSS。这些插件可以自动添加浏览器前缀、支持变量、实现CSS4特性,甚至可以优化CSS代码。PostCSS是一个强大的工具,它极大地提高了CSS的开发效率和代码质量。通过使用PostCSS,你可以更快地采用新的CSS特性,同时保持代码的兼容性和性能。

helloworld工程师的博客 551
上一篇: 自适应 样式_自适应博客主题:基本样式
下一篇: em和rem_快速提示:尝试结合EM和REM
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