初学者linux基础知识_初学者基础:自定义表单和开关

初学者linux基础知识

在查看 Zurb's Foundation 中的按钮之后,现在让我们看一下自定义窗体和开关。 在本教程中,我们将进行练习。 您可以将其添加到您的项目中或一起玩的联系表。 构建完这些之后,我们将移至其他表单元素。

至少对于我来说,形式总是让人有些痛苦,尤其是在使它们适合我过于雄心勃勃的设计时。 Foundation通过包含JavaScript自定义表单插件,使整个过程变得更加容易。 设置非常简单,并且使您能够使用CSS轻松自定义表单元素。

为了使自定义表单起作用,您需要包括foundation.forms.js。 您还需要确保在表单插件上方包含zepto.js和foundation.js。

该插件的工作原理是隐藏每个表单元素本身,然后吐出更多可视觉控制的元素,例如div和anchor标签。 然后,它将任何交互传递给原始的隐藏元素,这意味着表单仍将按预期运行。 让我们看看它是如何工作的。


联络表格

就网站而言,最常见的表单类型可能一直是联系表单。 在本练习中,我们将采用您可能希望看到的标准输入,以及一个或两个以上对您的项目可能有用的不寻常示例。

以您的标准<form>标记。 要启动自定义表单插件,我们需要添加一个“ custom”类,如下所示: <form class="custom"> ,完成。 现在,我们有了自定义表格。

要开始,您将需要带有两列行的form标记,如下所示:

<form class="custom">
  <div class="row">
    <div class="large-6 columns">
    </div>
    <div class="large-6 columns">
    </div>
  </div>
</form>

现在我们从左列开始; 在示例中,我使用了下拉菜单来选择称呼,然后是名称的输入框。 它们在行上使用带有“折叠”类的标准标签。 我们在此之后是电子邮件字段和“您如何找到我们”的下拉列表。

<div class="row collapse">
  <div class="large-3 small-3 columns">
    <select>
      <option>Mr.</option>
      <option>Mrs.</option>
      <option>Miss.</option>
      <option>Ms.</option>
      <option>Dr.</option>
    </select>
  </div>
  <div class="large-9 small-9 columns">
    <input type="text" placeholder="Name" />
  </div>
</div>

<input type="email" placeholder="Email" />

<select id="contactDropdown">
  <option DISABLED>How did you find us?</option>
  <option>Google</option>
  <option>A friend told me</option>
  <option>Not sure, where am I?</option>
</select>

您需要确保您的select元素具有id,但是除此之外,标记确实很简单。 因此,要将其与我们首先看过的表单代码合并,您需要将其与“ large-6”类一起放在第一格中。

接下来是第二列的元素。 其中包括文本区域,“向我发送垃圾邮件”复选框和一个开关,最后是提交按钮。

<textarea placeholder="Message"></textarea>
<div class="row">
  <div class="large-6 small-6 columns">
    <label>Send me spam&nbsp;&nbsp;
      <input type="checkbox" CHECKED style="display:none" />
    </label>
  </div>
  <div class="large-3 small-3 columns">
    <label>CC me?</label>
  </div>
  <div class="large-3 small-3 columns end">
    <div class="switch tiny">
      <input id="x" name="switch-x" type="radio" checked>
      <label for="x" onclick="">No</label>
      <input id="x1" name="switch-x" type="radio">
      <label for="x1" onclick="">yes</label>
      <span></span>
    </div>
  </div>
</div>
<input class="button small large-12" type="submit" value="Send Message" />

开关

我们尚未涉及开关 ,所以现在就开始做。

开关是一种视觉上切换输入的好方法。 它们的结构包括一个带有“ switch”类的div,然后是您选择的大小。 这些大小包括“小”,“小”和“大”。 您还可以使用“四舍五入”类将开关设置为四舍五入。 结构本身具有两个输入,每个开关状态一个。 它们具有各自的标签,Foundation在每个州内将其用于文本。 输入需要id,标签需要同时使用“ for”属性。

<div class="switch tiny">
      <input id="x" name="switch-x" type="radio" checked>
      <label for="x" onclick="">No</label>

几乎涵盖了我们的联系表格,您可以使用它并进行使用,也可以在下一个项目中使用它。


其他表单元素

您还需要Web表单吗? 首先,我们有一些不错的旧收音机,每个收音机都必须具有相同的名称和“ display:none”属性。

注意:我知道这是一种可怕的内联样式,但是在这种情况下建议这样做,这样,当样式表插入时,您就不会出现闪烁现象。

<input name="radio1" type="radio" style="display:none;" CHECKED />
  <input name="radio1" type="radio" style="display:none;" />
  <input name="radio1" type="radio" disabled style="display:none;">

这些自定义表单的优点之一是可以快速创建一个元素,该元素可以在元素之前或之后。 这是建议已存在的内容或提示需要哪种类型的用户交互的好方法。

在下面,您可以看到我们的span元素带有“ prefix”类,然后是一个下拉列表。 您仍然需要将这些元素放在列结构中,因为“ prefix”和“ postfix”类只是防止元素分离。您还可以在搜索框等对象中充分利用“ postfix”类,从而您输入的文字后面是一个按钮。

<div class="row collapse">
  <div class="large-9 small-9 columns">
    <span class="prefix">http://webdesign.tutsplus</span>
  </div>
  <div class="large-3 small-3 columns">
    <select>
      <option>.com</option>
      <option>.co</option>
      <option>.ca</option>
    </select>
  </div>
</div>

错误讯息

大多数表单至少有一个必填字段,否则表单将无法正确提交。 基金会使用“错误”类满足这些验证情况。 只需将其添加到任何输入,标签,小标签或列中,然后观察这些元素采用红色错误样式即可。

<form>
  <div class="row">
    <div class="large-6 columns">
      <label class="error">Error</label>
      <input type="text" class="error" />
      <small class="error">Invalid entry</small>
    </div>
    <div class="large-6 columns error">
      <label>Another Error</label>
      <input type="text" />
      <small>Invalid entry</small>
    </div>
  </div>
  <textarea class="error" placeholder="Message..."></textarea>
  <small class="error">Invalid entry</small>
</form>

为了真正实现这一点,您需要获取jQuery validate插件,并使用必需的参数在用户错误输入信息时显示这些状态。


有用的工具

当涉及到Foundation中的颜色选择时,在没有设计师帮助的情况下获得良好的组合并不总是那么容易。 令人高兴的是, Colourco.de提供了一种为您的下一个设计找到配色方案的好方法。 左右移动光标可更改色调,向上或向下移动光标可更改亮度。 菜单为您提供了不同的配色方案,包括单色,彩色和互补色。


结论

表单是每个网站的重要组成部分,Foundation添加了一些不错的功能来使您的表单坚如磐石。 如果您喜欢冒险,为什么不看看Zurb的其他一些形式实验,包括其AJAX图像上传器 ?

翻译自: https://webdesign.tutsplus.com/articles/foundation-for-beginners-custom-forms-and-switches--webdesign-13109

初学者linux基础知识

Linux基础知识大全(持续更新) linux基础知识大全 阅读详情

相关推荐

Linux复习——基础知识

bind-chroot通过将BIND服务运行在一个受限的chroot环境中,使得BIND只能访问到 /var/named/chroot/ 目录及其子目录,因此真正的配置文件和数据库文件都被放置在该目录下,以增加BIND的安全性。D. grep -v "^#" /etc/yum.conf | grep -v "^$":这个命令使用grep工具来检索/etc/yum.conf文件中除空行和以"#"开头的注释行以外的内容,其中"#"表示注释行的模式。init 5用于启动图形界面模式,而init 6用于系统重启。

yj11290301的博客 5039

微信小程序(组件--表单:滑块、开关、选择器)

表单组件 (1)表单组件—slider滑动组件 属性 类型 默认值 是否必填 作用 min number 0 否 最小值 max number 100 否 最大值 show-value boolean false 否 是否显示当前 value step number 1 否 步长,取值必须大于 0,并且可被(max - min)整除 value number 0 否...

web_only_的博客 4371

Linux基础知识学习

Linux知识总集,可用于Linux命令查询

程序员柚子的博客 1093

radio checkbox 优化

由于一个小页面需要用到radio 和 checkbox,原生的明显太过难堪,在网上找的大部分又过于复杂,于是决心自己手写一个,以后用到了可以直接拿来                                             .chk_style:checked+label {               background-color: #ECF2F7;

ycy12的博客 827

一个简单的开关按钮

授人以渔,不如兽人与鱼,给个实施switch开关按钮的插件实现思路,最好完善。

WSL2 Ubuntu 22.04安装NVIDIA驱动避坑指南:从驱动版本选择到CUDA环境验证

本文详细介绍了在WSL2 Ubuntu 22.04中安装NVIDIA驱动和配置CUDA环境的完整流程,包括驱动版本选择、环境变量设置以及常见问题解决方案。通过本指南,用户可以避免常见的安装陷阱,确保GPU加速环境正确配置,适用于深度学习开发和CUDA编程。

weixin_28419039的博客 463

jQuery WEUI的表单开关控件判断状态

jQuery WEUI的表单开关只是给了样式,但是该怎么判断它是开还是关闭状态呢?经过作者昨晚的思考,用一个hidden input()的值来标记开关是开状态还是关闭状态 需要先写一个input输入框为不可见状态,在前端开发判断我们基本都会用到input()为不可见状态来赋值改变值来达到判断的目的。 注意:input中的checked 属性是一个布尔属性。隐含元素,用于接收按钮的状态,...

qq_41342776的博客 3641

ROS2+PYTHON VENV虚拟环境配置方法

ROS2+PYTHON VENV配置方法本篇针对的是python。

下雨夏云的博客 556

layui框架form表单 - 页面元素的按钮开关控制

下面是layui,form表单 - 页面元素开关按钮控制函数,可做参考: functionchangeOneSwitch(){ if($("input").prop('checked')){ //如果当前是选中,执行此代码 $("input").prop('checked',false) }else{ //如果当前是未选中,执行此代码 $("input").prop('checked',true) } form.render(); } 这个input是你要改变的switch的元素,你可以给这..

houbucea的博客 1822

proteus仿真51单片机操作指南:串口通信仿真配置详解

深入讲解如何在proteus仿真51单片机中实现串口通信,涵盖虚拟串口设置、电路连接与调试技巧,帮助开发者高效完成通信仿真验证。

weixin_36197669的博客 570

Speedtree学习笔记(案例)——拥有多种材质的植物如何导入使用(以草为例)

注:Speedtree无论保存还是导入模型其存储路径不可有中文。 第一步拆分草的模型 根据所需的材质去拆分(例:假若草的果实,茎秆和叶子是不同的材质那么就需拆分为三份;假若画的全部颜色及材质一样就没有必要去拆分模型) 第二步导入草的模型 在Mesh面板中依次导入草的模型——Do nothing additional right now 第三步扩大草的生长区域范围(可省略)...

L人青的博客 5722

Linux系统基础知识

1.Linux基础 Linux概念:Linux是一个以Intel系列CPU(CYRIX,AMD的CPU也可以)为硬件平台,完全免费的UNIX兼容系统,完全适用于个人的PC。它本身就是一个完整的32位的多用户多任务操作系统,因此不需要先安装DOS或其他的操作系统(MS Windows, OS2, MINIX…)就可以进行直接的安装。 Linux版本:其发行版本有Ubuntu、Centos、redhat、debian、opensuse等等;其中ubuntu注重界面,Centos注重服务器。其内核版本可以通过un

AAAA202012的博客 2万+

别再死记硬背Modbus报文了!用Python+Modbus Poll手把手教你调试工业设备

本文详细介绍了如何利用Python和Modbus Poll工具高效调试工业设备通信。通过实战案例和代码示例,帮助读者快速掌握Modbus通信协议的核心配置、数据监控技巧及Python自动化脚本编写,解决工业设备调试中的常见问题,提升工作效率。

weixin_42520780的博客 344

Linux基础知识全面总结

学习Linux系统的重要性应该不用多说,下面我就对Linux的基础知识进行一个全面而又简单的总结。不过建议大家还是装个Linux系统多练习,平时最好只在Linux环境下编程,这样会大有提高。     linux的特点      - 免费的/开源       - 支持多线程/多用户       - 安全性好       - 对内存和文件管理优越     关机命令      shu

常敲代码手不抖 2万+

【PDN仿真笔记9-使用Sigrity PowerDC进行IR Drop仿真的方法】

使用Sigrity PowerDC进行IR Drop进行仿真的方法

qq_42682826的博客 8004

STM32 cubeMX配置串口重定向

这篇文章主要讲解什么是串口重定向,为什么要串口串口重定向。使用printf函数和上位机通信是非常的方便的。希望大家都能够掌握。

m0_49476241的博客 4572

Linux 操作系统基础知识

Linux 操作系统基础知识1、Linux 背景介绍2、Linux 环境搭建的方式3、终端连接Linux(1)什么是终端(2)安装终端 XShell(3)使用 Xshell 登录主机

m0_52083255的博客 1万+

SAP FICO应付票据平台开发说明书(包括测试样例、程序代码仅作参考,不保证一定可以运行)

SAP FICO应付票据平台开发说明书(包括测试样例、程序代码仅作参考,不保证一定可以运行)

我好像病了的博客 379

linux基础知识的总结

非常全面的linux基础知识总结

linux_player_c(系统&开发) 1万+

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

Linux菜鸟级常用的基本指令和基础知识

以上这些是我总结Linux菜鸟级常用的指令和基础知识,大家可以拿来学习也可以拿来复习。

2302_79795375的博客 3471

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")

第一关:Linux基础知识

本文是由上海人工智能实验室主办的第三期书生大模型实战营的笔记,仅供个人和助教批改作业参考,教程原文链接。报名请在微信搜索“第三期书生大模型实战营”。本笔记是在原教程的基础上修改的个人批注的笔记InternStudio 是大模型时代下的云端算力平台。基于 InternLM 组织下的诸多算法库支持,为开发者提供开箱即用的大语言模型微调环境、工具、数据集,并完美兼容 🤗 HugginFace 开源生态。

m0_46680352的博客 3536

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

Linux入门基础知识

服务器英文名称为“Server”,指的是网络环境下为客户机(Client)提供某种服务的专用计算机。服务器介绍通过虚拟化技术,在电脑内,虚拟出计算机硬件,并给虚拟的硬件安装操作系统,即可得到一台虚拟的电脑,称之为虚拟机。我们可以通过提供虚拟化的软件来获得虚拟机,如VMWare。

qq_43349542的博客 1443

Linux基础知识

Linux是一种开源、多用户、多任务的操作系统内核,基于Unix设计理念开发。其核心特点是高稳定性、安全性及灵活性,广泛应用于服务器、嵌入式设备和个人计算机等领域。

weixin_45915758的博客 2094

Linux基础知识详解

一、什么是Linux(利尼克斯)系统? Linux是一种自由和开放源码的操作系统,存在着许多不同的Linux版本,但它们都使用了Linux内核。Linux可安装在各种计算机硬件设备中,比如手机、平板电脑、路由器、台式计算机 单用户操作系统和多用户操作系统 单用户操作系统:指一台计算机在同一时间 只能由一个用户 使用,一个用户独自享用系统的全部硬件和软件资源 Windows XP 之前的版本都是单用户操作系统 多用户操作系统:指一台计算机在同一时间可以由 多个用户 使用,多个用户共同享用系统的全部硬件

glass__sky的博客 5363

linux基础知识

Linux,全称GNU/Linux,是一种免费使用和自由传播的类UNIX操作系统,其内核由林纳斯·本纳第克特·托瓦兹于1991年10月5日首次发布,它主要受到Minix和Unix思想的启发,是一个基于多用户、多任务、支持多线程和多CPU的操作系统。它能运行主要的Unix工具软件、应用程序和网络协议。它支持32位和64位硬件。Linux继承了Unix以网络为核心的设计思想,是一个性能稳定的多用户网络操作系统。Linux 的发行版说简单点就是将 Linux 内核与应用软件做一个打包。目前市面上较知名的发行版有:

kenny_pj的博客 2272

【Linux基础知识1】

本篇文章主要面向具备基础薄弱的学习者,旨在助力其查漏补缺

m0_63756214的博客 1721
上一篇: css sprite_如何在Fireworks和Dreamweaver中使用CSS Sprite
下一篇: dribbble扩展程序_使用Flexboxgrid和Jribbble构建Dribbble投资组合网格
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