云标签 css_具有CSS转换的Tagtastic标签云

云标签 css

大家好,今天我们将创建Premium Pixels的Tagtastic标签云 。 作为替代方法的实验,我们将使用渐变,阴影和(最重要的是)CSS转换创建标签,这些标签将构成每个标签的要点。 完成后,我们甚至会更进一步,以迎合IE的需要。

我们之前在Webdesigntuts +上已经介绍了标签 ,但是在这种情况下,我们将研究创建所有复合片段的另一种方法。 可能会有更锐利的方式来创建效果,但是我们的示例将避免使用图像,使用非常简洁的标记和一些不寻常的样式。 让我们陷入困境!


步骤1: HTML5基本标记

首先,我们抛出一些基本标记,包括熟悉HTML5文档类型。 我们还将在文档的开头引用样式表。

<!DOCTYPE html>
<html>
	<head>

		<!--Meta tags-->
		<meta charset="utf-8">

		<!--Title-->
		<title></title>
		
		<!--Stylesheets-->
		<link rel="stylesheet" href="css/styles.css">

</head>
<body>







</body>
</html>


步骤2:添加一些容器

就本教程而言,我们将创建一个包装器/容器来保存我们的标签。 如果您在博客侧边栏中使用它们,则很可能需要类似的东西。

对于我们来说,我们将简单地创建一个具有包装器类的div,应用340px的宽度和50px auto的边距50px auto将包装器置于页面中心。 我添加了50px而不是0,只是为了增加一点边距,这样我们的标签就不会碰到浏览器窗口的顶部。 放入此CSS时,我们将为主体添加一些样式(例如背景图片)并应用重置。

<div class="wrapper">



</div>

html,body,div,span,applet,object,iframe,h1,h2,h3,h4,h5,h6,p,blockquote,pre,a,abbr,and,address,cite,code,del,dfn,em,img,ins,kbd,q,s,samp,small,strike,strong,sub,sup,tt,var,b,u,i,dl,dt,dd,ol,ul,li,fieldset,form,label,legend,table,caption,tbody,tfoot,thead,tr,th,td,article,aside,canvas,details,embed,figure,figcaption,footer,header,hgroup,menu,nav,output,ruby,section,summary,time,mark,audio,video,input,textarea,select{background:transparent;border:0;font-size:100%;margin:0;outline:0;padding:0;vertical-align:baseline}article,aside,details,figcaption,figure,footer,header,hgroup,menu,nav,section{display:block}body{line-height:1}blockquote,q{quotes:none}blockquote:before,blockquote:after,q:before,q:after{content:none}
body {
	font-family:'Helvetica Neue', Helvetica, Arial, sans-serif;
	font-size:16px;
	background:url(../images/bg.jpg) repeat;
	-webkit-font-smoothing: antialiased;
}

.wrapper {
	max-width:340px;
	margin:50px auto;
}

步骤3:使用一些HTML创建标签

我已经很简单地构造了这些标签; 我们将使用的只是一个锚标记(一个合理的选择,因为这些标记很可能会充当指向某处或某物的链接)。 在本教程中,我给它提供了一个“标签”类,但是可以将其更改为您喜欢的任何一种。

<a href="#" class="tag">high resolution</a>

步骤4:标记样式

对,继续下一部分! 现在,我们将开始设计标签的样式-这里有很多代码,但是请不要让它感到困惑,我将解释发生了什么。

我首先在这里添加了一些基本内容;

  • 浮点数
  • 保证金
  • 定位-相对
  • 文字装饰-无

接下来,我们定义了一些字体设置,大小,字体和粗细,然后是颜色和文本阴影。 之后,我们使用ems应用了一些填充,以使所有内容的大小都与正文字体大小或浏览器字体大小有关。 接下来,是一个简单的边框,尽管我们尚未在左侧应用边框。 Ems再次弹出! 这次,我们将其应用于边框半径,但仅将其应用于右上角和右下角。 好吧,你还醒着吗? 还有更多..接下来,我们将使用一些CSS3渐变(我已经开始使用整洁的Gradient应用程序来计算值 )。 最后一部分是一些盒子阴影,插图和阴影。 记住那些前缀!

.tag {
	float:left;
	margin:0 0 7px 20px;
	position:relative;

	font-family:'Helvetica Neue', Helvetica, Arial, sans-serif;
	font-size:0.75em;
	font-weight:bold;
	text-decoration:none;

	color:#996633;
	text-shadow:0px 1px 0px rgba(255,255,255,.4);

	padding:0.417em 0.417em 0.417em 0.917em;

	border-top:1px solid #d99d38;
	border-right:1px solid #d99d38;
	border-bottom:1px solid #d99d38;

	-webkit-border-radius:0 0.25em 0.25em 0;
	-moz-border-radius:0 0.25em 0.25em 0;
	border-radius:0 0.25em 0.25em 0;

	background-image: -webkit-linear-gradient(top, rgb(254, 218, 113), rgb(254, 186, 71));
	background-image: -moz-linear-gradient(top, rgb(254, 218, 113), rgb(254, 186, 71));
	background-image: -o-linear-gradient(top, rgb(254, 218, 113), rgb(254, 186, 71));
	background-image: -ms-linear-gradient(top, rgb(254, 218, 113), rgb(254, 186, 71));
	background-image: linear-gradient(top, rgb(254, 218, 113), rgb(254, 186, 71));
	filter: progid:DXImageTransform.Microsoft.gradient(GradientType=0,StartColorStr='#feda71', EndColorStr='#feba47');

	-webkit-box-shadow:
		inset 0 1px 0 #faeaba,
		0 1px 1px rgba(0,0,0,.1);
	-moz-box-shadow:
		inset 0 1px 0 #faeaba,
		0 1px 1px rgba(0,0,0,.1);
	box-shadow:
		inset 0 1px 0 #faeaba,
		0 1px 1px rgba(0,0,0,.1);

	z-index:100;
}

步骤5:箭

好的,我们已经完成了标签的主要部分,下一部分是创建箭头。 要添加此内容,我们将使用:before伪元素。 我们还将在此处尝试一些CSS的高级技术; 转变。 创建这些箭头涉及很多试验和错误。 我必须尝试不同的宽度和高度以及顶部和底部的位置,以使其尽可能地完美! 因此,欢迎任何反馈。

我们使用了与以前相同的背景渐变,但做了一点小改动:由于我们将旋转将要制作的正方形,因此我们还需要旋转渐变,使其与主体的主要部分匹配标签。 渐变应用程序有助于让我更改渐变方向。 下一部分是在左侧和底部创建一些边框。 关于箭头剩下的就是添加边界半径以平滑该点并最终应用我们的变换。 我们将正方形旋转45度,使其看起来像箭头。 我们使用了transform:45; 以及带前缀的。

.tag:before {
	content:'';

	width:1.30em;
	height:1.358em;

	background-image: -webkit-linear-gradient(left top, rgb(254, 218, 113), rgb(254, 186, 71));
	background-image: -moz-linear-gradient(left top, rgb(254, 218, 113), rgb(254, 186, 71));
	background-image: -o-linear-gradient(left top, rgb(254, 218, 113), rgb(254, 186, 71));
	background-image: -ms-linear-gradient(left top, rgb(254, 218, 113), rgb(254, 186, 71));
	background-image: linear-gradient(left top, rgb(254, 218, 113), rgb(254, 186, 71));
	filter: progid:DXImageTransform.Microsoft.gradient(GradientType=1,StartColorStr='#feda71', EndColorStr='#feba47');
	
	position:absolute;
	left:-0.69em;
	top:.2em;

	-webkit-transform:rotate(45deg);
	-moz-transform:rotate(45deg);
	-o-transform:rotate(45deg);
	transform:rotate(45deg);

	border-left:1px solid #d99d38;
	border-bottom:1px solid #d99d38;

	-webkit-border-radius:0 0 0 0.25em;
	-moz-border-radius:0 0 0 0.25em;
	border-radius:0 0 0 0.25em;

	z-index:1;
}

您现在应该具有类似于以下内容的内容; 注意我已经放大,所以您可以看到箭头连接到主要部分的位置,以正常大小查看时,这几乎不明显。

箭和基地

步骤6:标记Kong

完成标签的最后一部分是在标签上创建一个小Kong。 在这里,我们将再次使用伪,但这次是:after元素。 我们创建Kong的操作非常简单。 我们在ems中定义了宽度和高度,以使其平滑增长。 接下来,我们添加了一个较大的边框半径,该半径将创建一个带有边框的圆形以勾勒轮廓。 之后,我们添加了一个类似于文本阴影的阴影。 最后,我们将其定位(使用ems时)。

.tag:after {
	content:'';

	width:0.5em;
	height:0.5em;

	background:#fff;

	-webkit-border-radius:4.167em;
	-moz-border-radius:4.167em;
	border-radius:4.167em;

	border:1px solid #d99d38;

	-webkit-box-shadow:0 1px 0 #faeaba;
	-moz-box-shadow:0 1px 0 #faeaba;
	box-shadow:0 1px 0 #faeaba;

	position:absolute;
	top:0.667em;
	left:-0.083em;
	z-index:9999;
}
Kong已创建

步骤7:添加一些悬停样式

为了使我们的标签更加出色,我们将添加一些悬停样式。 我们需要将其添加到标记和箭头的主要部分(同时记住旋转箭头的渐变)。 我们还更改了两者的边框颜色。

.tag:hover {
	background-image: -webkit-linear-gradient(top, rgb(254, 225, 141), rgb(254, 200, 108));
	background-image: -moz-linear-gradient(top, rgb(254, 225, 141), rgb(254, 200, 108));
	background-image: -o-linear-gradient(top, rgb(254, 225, 141), rgb(254, 200, 108));
	background-image: -ms-linear-gradient(top, rgb(254, 225, 141), rgb(254, 200, 108));
	background-image: linear-gradient(top, rgb(254, 225, 141), rgb(254, 200, 108));
	filter: progid:DXImageTransform.Microsoft.gradient(GradientType=0,StartColorStr='#fee18d', EndColorStr='#fec86c');

	border-color:#e1b160;
}

.tag:hover:before {
	background-image: -webkit-linear-gradient(left top, rgb(254, 225, 141), rgb(254, 200, 108));
	background-image: -moz-linear-gradient(left top, rgb(254, 225, 141), rgb(254, 200, 108));
	background-image: -o-linear-gradient(left top, rgb(254, 225, 141), rgb(254, 200, 108));
	background-image: -ms-linear-gradient(left top, rgb(254, 225, 141), rgb(254, 200, 108));
	background-image: linear-gradient(left top, rgb(254, 225, 141), rgb(254, 200, 108));
	filter: progid:DXImageTransform.Microsoft.gradient(GradientType=1,StartColorStr='#fee18d', EndColorStr='#fec86c');

	border-color:#e1b160;
}

步骤8:迎合IE

如果您仍想为IE用户全面展示标签,则需要从创建IE特定的样式表开始,对这些标签采取不同的方法。 我将解释原因。首先,我们的许多CSS3效果在IE9之前的版本中将不起作用(在IE9中只有几个起作用),但是这里的主要问题是转换将不起作用。 为了迎合IE用户,我们将对代码进行一些编辑。 首先,我们将更改HTML,首先将wrapper div及其内部的所有内容替换为:

IE图片
<div class="wrapper">

	<a href="#" class="tag">
		<span class="arrow"></span>
		<span class="text">high resolution</span>
		<span class="end"></span>
	</a>

</div>

我们将再次使用定位标记,但其中包含3个跨度; 我们将需要一个来创建箭头,主要部分和具有边界半径的末端。


步骤9:我们IE版本的图片

为了确保我们的标签可以在IE中使用,我们必须使用图像。 首先删除.wrapper样式下的所有与标签相关的东西! 现在,您需要粘贴以下代码段。 我们只是在这里应用一些背景图片,而且还会在x轴上重复文本背景,因为文本可以是任意长度! 甚至超级卡拉手主义expialadoshus!

.arrow {
	width:15px;
	height:25px;
	float:left;

	background:url(../images/arrow.png) no-repeat;
}
.text {
	height:25px;
	float:left;

	padding-left:4px;
	padding-right:4px;

	background:url(../images/text.png) repeat-x;

	font-family:'Helvetica Neue', Helvetica, Arial, sans-serif;
	font-size:0.75em;
	font-weight:bold;

	color:#996633;
	text-shadow:0px 1px 0px rgba(255,255,255,.4);

	line-height:23px;
}
.end {
	width:4px;
	height:25px;
	float:left;

	background:url(../images/end.png) no-repeat;
}


.tag:hover .arrow { background-image:url(../images/arrow_hover.png); }
.tag:hover .text { background-image:url(../images/text_hover.png); }
.tag:hover .end { background-image:url(../images/end_hover.png); }


结论

好吧! 那是另一本完整的教程,看起来不错! 我们采用了这些标签,并在同时满足IE需求的同时使用CSS创建了它们。 这些标签可用于各种用途-继续并在侧边栏,博客中使用它们,无论您喜欢什么!

希望您喜欢本教程,感谢您的阅读。

翻译自: https://webdesign.tutsplus.com/articles/tagtastic-tag-cloud-with-css-transformations--webdesign-6793

云标签 css

构建动态CSS标签云:从设计到交互 标签云是一种视觉呈现方式,用于显示一组关键词或主题的相对重要性或频率。常见的表现形式是词语大小不一,越大的词语代表其出现频率越高或越重要。在Web开发中,标签云通常用于网站导航、标签聚合页面,或是作为内容分析的直观工具。通过本章节的介绍,我们了解了JavaScript在实现标签云动态功能方面的重要作用,包括动态添加和删除标签、绑定点击事件以及响应用户的交互行为。同时,我们也学习到了编写高效JavaScript代码的方法,如模块化开发和优化DOM操作的最佳实践。 阅读详情

相关推荐

如何通过Python实现标签云算法

主要介绍了如何通过Python实现标签云算法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

用一些简单的CSS和JavaScript创建一个标签云

来自博客:blog.zhangbing.site 我一直很喜欢标签云,我喜欢通过看标签的相对字体大小来了解网站上最受欢迎的标签是哪些,受欢迎的标签更大。 制作标签云有多困难?一点也不难。让我们来看看! 让我们从HTML开始 对于我们的HTML,我们将每个标签放入<ul class=“tags”><ul> 列表中,我们将使用JavaScript进行注入。 我模拟出了一些JSON,每个属性都有一定数量的文章标签。让我们写一些JavaScript来获取JSON feed并做三件事。 首.

前端全栈开发者 666

告别SendKeys!用DD驱动级模拟在Windows 10/11上实现真·后台键鼠操作(Python实战)

本文详细介绍了如何使用DD驱动级模拟技术在Windows 10/11上实现真后台键鼠操作,解决传统方法如pyautogui和SendKeys的局限性。通过Python实战案例,展示了驱动级模拟在游戏自动化、RPA等场景中的高效应用,包括环境配置、核心API解析及高级优化技巧。

weixin_42519985的博客 805

【css】好看的标签栏

【代码】【css】好看的标签栏。

Mozifei73的博客 1018

带挂牵引车前向运动模型推导及仿真实现

牵引车-半挂车的车辆结构与普通的车辆相比增加了一个半挂车,它们之间通过鞍座相连接,为了分析半挂牵引车运动过程中的位姿和状态,本文将基于车辆的机械结构建立对应的运动学模型,该模型基于以下假设: 车辆行驶过程中,道路平坦且无凸凹; 车辆低速行驶,且运行过程中车身无侧倾和俯仰运动; 车辆行驶过程中,轮胎无形变,无侧向滑动,且无侧向力; 牵引车和半挂车均满足阿克曼转向几何原理; 牵引车与半挂车不会发现折叠。

jianmo的博客 3184

通讯软件002——快速使用modscan进行modbus调试

快速使用modscan进行modbus调试

zhouwl72的博客 1033

创建一个3D动画标签云(Tag Cloud)通常涉及到HTML、CSS和JavaScript的结合

创建一个3D动画标签云(Tag Cloud)通常涉及到HTML、CSS和JavaScript的结合。下面是一个简单的示例,它使用了纯CSS和HTML来创建一个基础的3D效果标签云。如果你想要一个更复杂的3D动画标签云,可能需要使用JavaScript库,如Three.js,或者使用WebGL来创建更高级的3D效果。这些库和API提供了更多的控制和选项来创建复杂的3D场景和动画。这个示例中的标签云在鼠标悬停时会进行360度的旋转。你可以根据需要调整CSS样式和动画效果,例如改变标签的大小、颜色、旋转角度等。

[Blog][Domain] programb.blog.youkuaiyun.com 1273

无法找到来自源 nvlddmkm 的事件 ID 14 的描述

具体错误是: 无法找到来自源 nvlddmkm 的事件 ID 14 的描述。本地计算机上未安装引发此事件的组件,或者安装已损坏。可以安装或修复本地计算机上的组件。 出现这样错误的原因有很多了,有可能是硬件有可能是软件。由于我是刚配置的电脑,起初非常怀疑是自己组装的问题,折腾了好久,心态爆炸!!!先说我报这样错误的情况,以及解决办法,供后面人参考。 ...

SeventhBlue 6万+

如何使用 CSS 实现一个响应式的标签云,标签大小和颜色可以根据权重动态调整

通过今天的分享,我们学会了用CSS实现一个超实用的响应式标签云,还能根据标签权重动态调整大小和颜色。掌握了媒体查询、CSS变量这些核心技术,不仅能解决实际开发中的痛点,还能让你的页面在搜索引擎中更具竞争力!赶紧把这个技能用起来,打造出独一无二的酷炫标签云吧!如果在实践过程中有任何问题,欢迎在评论区留言交流,一起攻克前端开发的难题!

前端大白话 1292

【车辆仿真】从0开始建立dSPACE RT Simulink工程:CAN通信(RTICANMM方法)

【工程环境信息】:本文基于链接文章搭建SCALEXIO Rack RTPC总线节点,用于与AutoBox通信硬件:上位机:惠普台式PC(Windows 11专业版)下位机(实时机):AutoBox (DS1006)板卡:DS6342软件:本文所使用的DBC链接提示:以下是本篇文章正文内容,下面案例可供参考!!!的部分一定记得配置,其他的按需配置RTICANMM的灵活度非常高,尽可能参考Help文档,理解相应的配置内容官方有RTICANMM的样例工程,在下方路径。

winnizap的博客 2384

微信小程序 - 强力解决播放视频卡顿问题,小程序使用video组件播放视频或第三方视频插件,会出现卡顿或者无法播放的各种奇怪问题(微信小程序苹果ios/安卓播放视频很卡不流畅、视频太长或文件大等情况)

微信小程序视频组件播放卡顿,微信小程序video组件出现无法播放或卡顿,微信小程序video组件播放时会出现卡顿,微信小程序使用video组件播放视频的时候,会出现卡顿或者无法播放的问题,微信小程序安卓视频播放卡顿问题,微信小程序苹果ios手机播放视频不流畅很卡,加cdn还是卡,uniapp播放视频会有明显的卡顿问题,video视频时卡顿不流畅问题,为什么video组件播放视频卡顿?苹果微信小程序通过video组件播放视频时卡顿,怎么解决?微信小程序video组件出现无法播放或卡顿,设置custom-cac

🏆 前端领域优质创作者 1万+

一个很美观的标签云效果,纯DIV+CSS布局

废话不多说了,直接看效果: html代码: &lt;!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"&gt; &lt;html xmlns="http://www.w3.org/1999/xhtm...

webdev 2374

STM32实战开发(71):STM32人脸识别开发教程:基于摄像头模块的人脸识别系统

在嵌入式系统中,STM32凭借其强大的计算性能、丰富的外设接口以及低功耗特性,成为了实现人脸识别系统的理想平台。STM32虽然没有强大的计算能力,但可以通过合理利用外部硬件加速模块,如DSP、GPU、FPGA等,结合轻量级的人脸识别算法,实现高效的人脸识别系统。尽管STM32的计算资源相对有限,但通过合理的优化和使用高效的算法,我们依然能够实现高效的人脸识别功能。在本项目中,我们使用。在STM32开发中,虽然处理能力有限,但通过优化算法和合理利用硬件加速,我们仍然可以实现一个轻量级的、实时的人脸识别系统。

2201_76125393的博客 1662

原生js生成标签云

/* * 3d标签云 * 功能:鼠标移入标签,当前标签静止放大 * 说明: * */ window.tagcloud = (function(win, doc) { // ns // 判断对象 function isObject (obj) { return Object.prototype.toString.call(obj) === '[object Object]'; } // 构造函数 function TagCloud (options.

weixin_43005845的博客 811

【雷达通信】雷达信号处理仿真【含Matlab源码 2509期】

雷达信号处理仿真 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 906

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

html 3D球状旋转标签云文字云效果

html 3D球状旋转标签云文字云效果

kongzhonghu的专栏 4218

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

标签云

一、jQCloud js文件:https://www.oschina.net/p/jqcloud?hmsr=aladdin1e1 CSS属性: writing-mode: writing-mode属性 最初只是ie中的属性,只有ie支持,现在在css3中谷歌,火狐也开始支持。 所以使用的时候就需要记住两套不同的语法,ie的私有属性和css3的规范属性 css3: writing-mode:horizontal-tb;//默认:水平方向,从上到下 writing-mode: vertical-

weixin_44162239的博客 652

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

HTML实现标签云

使用HTML和js实现标签云效果。

m0_52239519的博客 499

仅使用HTML和CSS实现的标签云效果

标签云的效果在博客和网站上不难见到,它其实就是带有超链接的某些关键字,为了达到强调主题的作用。通常出现概率比较大或者受欢迎的标签文字显示比较大,相反的就显示的小。来源于TagCrowd....

太空编程 704

仿HTML5 CSS "标签云"特效-优化效率版

/----------------------------------------------- 链接: http://pan.baidu.com/s/1kVF8NA3 密码: qtbp

Missing 2657

css3实践之摩天轮式图片轮播+3D正方体+3D标签云(perspective、transform-style、perspective-origin)...

  本文主要通过摩天轮式图片轮播的例子来讲解与css3 3D有关的一些属性。   demo预览: 摩天轮式图片轮播 (貌似没兼容360 最好用chrome) 3D正方体(chrome only) 3D标签云(css3版 chrome only) 3D标签云(js版 chrome only) 前文回顾   在前面的文章css3实践之图片轮播(Transform,Transiti...

weixin_34366546的博客 474

【用CSS动画打造动态云朵效果】

通过CSS动画和背景图像的结合使用,我们能够以一种简单且高效的方式为网页添加动态效果。动态云朵效果不仅能够吸引访问者的注意力,还能为网站增添一种轻松愉悦的氛围。随着CSS功能的不断增强,未来将有更多创造性的可能性等待着我们去探索。

m0_71941456的博客 1200

特殊css形状、tag标签

平行四边形 <view> <view class="tag-wrapper"> <view class="tag tag-left"> 待提货 </view> <view class="tag tag-right"> 盘点成功 </view> </view> </view> <style> .tag-wrapper { padding: 20upx; .tag { p

Sandersonia的博客 1903

前端JS特效第8集:css3文字标签云3D旋转特效

css3文字标签云3D旋转特效

2401_85903333的博客 467

标签云,js实现

标签云,纯js代码实现! 一、效果图      二、代码      #div_tag {position:relative; height:540px; border: 1px solid #0097d3;} #div_tag a { position:absolute;

48万+

css标签样式,火箭,梯形

花样标签

aleluye的博客 991
上一篇: sass postcss_将PostCSS与Sass,Stylus或LESS一起使用
下一篇: photoshop mac_引入Avocode —无需Photoshop即可编码的PSD
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