json spirit_Spirit App:Web实时轻松动画

json spirit

完整的时间轴控制,导入和导出JSON,检查动画,直观的界面,实时编辑,易于理解的API,针对速度和实时反馈:创建和管理Web动画时,您可能希望在图形用户界面中进行所有操作。 在本文中,我们将介绍Patrick Brouwer为Web动画设计者提供的称为Spirit的最新工具。 我们将学习它如何改变您在网络上创建动画的方式。 让我们动起来!

起床并跑步

精神分为三个部分,要求:

  1. 桌面应用程序(时间轴)。
  2. 运行时(JavaScript文件)。
  3. 浏览器扩展程序,使您可以通过在应用程序和运行时之间进行通信来连接到任何网页。

桌面应用程序是用于创建和管理动画的GUI(图形用户界面),而浏览器扩展程序则在其相应的桌面应用程序和您的网页之间建立连接。

该应用程序当前可用于Mac,但不久后将可用于Windows和Linux。 目前,Spirit的浏览器扩展严格是Chrome,但其他主要浏览器(Firefox,Opera和Safari)的兼容扩展也在开发中。

当所需的每个组件都准备就绪时,您可以开始动画开发。 打开应用程序,使用浏览器导航到所需的网页URL,启用扩展程序并开始动画制作!

在本地发展的提示

如果您想从本地文件系统制作网页动画,请确保在chrome扩展名设置中选中允许访问文件URL复选框。

建议您在本地开发时为要设置动画的每个元素添加一个data-spirit-id 。

<!--first group-->
<div data-spirit-id="foo">…</div>

<!--second group-->
<ul data-spirit-id="bar">…</ul>

这使使用GUI来编辑元素的时间线更加容易,并且使运行时更容易选择目标,而无需使用基于元素CSS选择器(例如body > div > div > ul )。

运行时播放器

Spirit使用所谓的“运行时(播放器)”。 如果您访问的网页没有Spirit运行时,则浏览器扩展将自动为您注入一个临时运行时。 运行时只是一个JavaScript文件(〜10kb),因此只要您听到“运行时”一词就对自己说“ JavaScript文件”。

<script src="spirit.js"></script>

运行时使您可以直接在网页上播放动画,并利用GSAP的功能播放所有动画。 这意味着您可以使用特定于GSAP的属性以及诸如drawSVG或morphSVG类的插件,以及仍在开发中的其他动画策略( WAAPI )。

如果您希望贡献自己的时间来帮助维护或增强它,则可以通过开放源代码获得运行时。 如果您希望将运行时播放器安装为NPM软件包,则可以从终端输入安装命令npm install spiritjs --save ,或者可以使用其安装命令yarn add spiritjs尝试给Yarn尝试。

时间线检查器

您是否是网络动画设计师,正在寻找易于控制,导航和使用的时间轴?Spirit支持您,其优雅而直观的界面为您提供了许多微调创作的选择。 可以清理时间轴并轻松添加关键帧。 但是,排序元素是一个有待实现的功能。 如果您是实时开发的,则可以根据需要添加或删除元素。 工作完成后,请单击“ 后退”按钮,导出包含进度的JSON文件,并在需要时使用Spirit Spirit运行时 API进行加载。

每个关键帧都可以在时间安排和缓动方面进行微调。 添加和删​​除它们也很简单。 元素在时间线检查器中垂直列出,并且每个元素都有自己的时间线。

动画每个属性的值可以是运行时接受的任何值。 甚至有可能将JavaScript代码用作传递值,使用鼠标事件,滚动和位置检测等功能来生成动态灵活的元素。 确保使用诸如{ window.innerWidth - this.clientWidth }这样的花括号来包装属性值JavaScript逻辑。

每个元素可以具有许多可用于设置动画的属性,包括与stroke , fill , color , position和size有关的特定SVG属性。 您甚至可以选择clip-paths , filters , box-shadow和z-index进行动画处理。 如果提供的默认属性不符合您的需求,那么也可以添加自定义属性。 确保传入的自定义属性与W3C规范记录CSS属性名称一致。

了解“组”

动画组是您要设置动画的对象(HTML元素)的集合。 将组视为“组件”,其中每个组都可以导出为JSON。

您可以根据需要创建任意多个组,并控制每个组。 通过直接从网页中选择每个组或通过Chrome Devtools中的“ 元素”面板轻松地创建新组并添加新元素。 当捕获的元素没有data-spirit-id属性时,它具有的唯一引用是XPath (相对于所选根目录),因此最好在生产开发调用时创建属性引用。

var tl = new TimelineMax()

spirit.setup().then(() => {

    spirit.load('./my-animations.json').then(groups => {
		// construct all groups
		groups.construct();

		// control the firing sequence of each group using GSAP
		tl.add(groups.get('group-name'), 0).add(groups.get('group-anothergroupname'), '-=0.25').add(groups.get('group-yetanothergroupname'), '+=0.125')

	})

});

群组实际上只是GSAP时间轴的集合,因此,如果您已经是GreenSock的用户,这将是您工作流和工具的一个受欢迎的补充。 无法使用桌面应用程序(将来的功能请求)立即控制组,但是可以使用Spirit的高级API缓解此问题,因为它的运行时将GSAP API用于上面代码中反映的时间轴实例。 您还可以查看由Spirit的制造商创建的此演示,展示将主时间轴序列与UI控件和多个组配合使用:

Spirit的API

正如我在有关组的先前说明中所讨论的那样,Spirit为需要更深入控制的开发人员提供了一个API。 提供了两个API。 一个简单的API和一个高级API。

spirit.loadAnimation({
  container: element, // dom element that contains animation
  loop: true,
  yoyo: true,
  delay: 2
})

尽管高级API可以进行广泛的控制,但简单的API可以涵盖诸如通过一系列选项控制播放之类的任务。 您甚至可以返回值,加载组并添加交互性。

spirit.setup()

高级API可以满足您在简单API之外的所有其他需求。 在使用高级API之前,您需要告诉运行时可以在哪里找到GSAP Tween和Timeline实例。 在调用Spirit的setup方法之后,防洪闸将打开,使您能够执行时间轴构建和引用,交互性,关键帧和属性引用等操作。

离别的想法

使事情保持同步很重要,尤其是对于Spirit有效运行而言。 Spirit桌面应用程序会在后台自动进行自我更新,因此您始终可以轻松获得最新版本的安装和最新功能。 通过自动更新Spirit应用程序,可以更轻松地迭代和实现新功能。 Chrome扩展程序也在后台更新。 浏览器每隔几个小时检查一次已安装的扩展程序或应用程序是否具有更新URL。 对于每一个,它都会向该URL发出请求,以寻找更新的清单XML文件。

转到chrome://extensions ,然后选中右上角的开发者模式复选框,然后按立即更新扩展按钮。 通过确保适当的设置,添加新功能和更新数据后,Spirit可以进行操作而不会导致意外行为。

如果您想掌握Spirit的新功能和进度,可以在这里注册他们的新闻通讯,以及在Twitter上关注进度。 Spirit绝对是可以改变您创建网络动画的方式的工具。

有用的链接

翻译自: https://webdesign.tutsplus.com/articles/spirit-app-easy-realtime-animation-for-the-web--cms-30111

json spirit

Artplayer视频JSON解析播放器源码|支持弹幕|json数据模式 Artplayer是一款开源的HTML5视频播放器,它以其简洁的界面、强大的功能和高度可定制性受到开发者和用户的喜爱。Artplayer不仅支持常见的视频格式,还通过其独特的JSON解析功能,实现了对视频数据的灵活处理,使得视频播放更加智能和个性化。Artplayer视频播放器通过其强大的JSON解析功能和对弹幕的完美支持,为用户提供了一个全新的视频观看体验。无论是开发者还是普通用户,都能从Artplayer的创新中受益。 阅读详情

相关推荐

SpiritJS构建web应用程序的现代模块化库

SpiritJS 构建web应用程序的现代模块化库

Spirit一个用于Web的动画工具

Spirit - 一个用于Web的动画工具

Spirit.js 项目常见问题解决方案

Spirit.js 项目常见问题解决方案 一、项目基础介绍 Spirit.js 是一个用于构建 Web 应用的现代模块化库。它提供了一种简单且功能性的方式来编写 Web 应用程序,通过抽象出请求和响应的复杂性,使得编写 Web 应用程序更加直观和高效。项目主要使用 JavaScript 编程语言。 二、新手常见问题及解决步骤 问题一:如何开始使用 Spirit.js? 问题描述: 新手在使用 Sp...

gitblog_01125的博客 687

一个JSON格式的Lottie动画文件

一个JSON格式的Lottie动画文件,使用阿里-犸良动画设计平台生成,用于Lottie动画+SwiftUI教程测试使用

json_spirit:C ++ JSON库,包括json-data-structure和解析器(基于Boost.Spirit)。 目标

json精神 使用Boost.Spirit V2和X3进行解析的json库。 json精神库的主要目标是创建一个一致的json解析器,该解析器生成一个json对象,可以像在javascript或python中一样对其进行操作。 快速范例 // the json::value is the primary data type // you can simply assign it values json::value v = 42 ; v = " foo " ; v = true ; v = 14.5 ; // you can also treat the json::value like an array v[ 0 ] = " foo " ; v[ 1 ] = true ; // or a json object v[ " foo " ] = 42 ; v[ " bar " ] = f

如何在Windows11中创建系统修复盘?应急恢复工具制作全攻略

在使用Windows 11系统的过程中,系统故障、蓝屏或意外崩溃等问题时有发生。为了确保在这些紧急情况下能够快速恢复系统,制作一个系统修复盘(也称为恢复驱动器)是非常必要的。本文将详细介绍如何在Windows 11中创建系统修复盘,帮助你轻松应对各种系统问题。 ## 一、什么是系统修复盘?为什么需要它? 系统修复盘是一个包含Windows恢复工具的可启动媒体,通常制作在USB闪存驱动器或DVD

gitblog_00660的博客 905

json预览工具

一款非常好用的Json解析预览工具,比网上好多直接在线预览的要好用!

Javascript的重要知识

函数的语法: 函数声明:(无参数无返回值) function 函数名(){ 函数体(具体要执行的代码); } 【注】见名思意,函数名必须体现其功能。 函数调用: 格式:函数名(); 作用: * 使程序变得简短而清晰 * 有利于程序维护 * 可以提高程序开发效率 * 提高了代码的重用性(复用性) 有参数无返回值的函数 形参:形式上的参数。 【注】使用起来和普通的变量没有区别。 函数声明:(有参数无返回

xiaowei2020_06的博客 205

【CATIA的二次开发38】对象Selection交互选择部分方法介绍01

在CATIA V5的VBA开发中,Selection对象是用户交互的核心组件,用于管理用户在图形区域或特征树中的选择操作。Selection 对象是 CATIA VBA 中的中央交互枢纽,充当用户界面与程序逻辑之间的桥梁。它代表当前在图形区域或特征树中被选中的元素集合,是自动化操作的基础。

学习共勉:不积跬步,无以至千里; 不积小流,无以成江海。 1346

MacBook上玩转国民技术N32G430:从零搭建ARM开发环境(VSCode + pyOCD)

本文详细介绍了在MacBook上搭建国民技术N32G430的ARM开发环境,涵盖VSCode配置、pyOCD调试及一键编译烧录全流程。通过Homebrew安装工具链、配置Python环境及VSCode插件,开发者可在MacOS高效开发嵌入式应用,特别适合国产芯片N32G430的开发者参考。

weixin_30614109的博客 437

27款实用高效的腾讯热门开源项目推荐

WeUI 是由微信官方设计团队专为微信移动 Web 应用设计的 UI 库,是一套同微信原生视觉体验一致的基础样式库,为微信 Web 开发量身设计,可以令用户的使用感知更加统一。 DEMO:https://weui.io/ 1/26 PhxSQL是一个兼容MySQL、服务高可用、数据强一致的关系型数据库集群。PhxSQL以单Master多Slave方式部署,在集群内

ejinxian的专栏 1283

车联网ECU、TSP与TBOX通信流程

对比维度ECU(电子控制单元)BMS(电池管理系统)应用场景传统燃油车 + 新能源汽车仅限新能源汽车核心作用控制整车各系统运行管理动力电池安全与寿命车联网角色数据采集与传输的核心载体提供电池相关的核心数据。

tecoes的博客 1236

实用高效,25款腾讯热门开源项目推荐

腾讯作为互联网行业的一大巨头,一直都不吝啬将好的技术开放,与广大开发者共享,未来也将推出VR开放平台和AI技术。腾讯在全球合作伙伴大会披露了未来五年的发展思路,在技术共享方面,腾讯希望利用自己在新技术方面的积累,给开放平台带来更多技术合作和商业发展机会。 本文为大家整理出25款当前使用较多,口碑较好的腾讯开源软件,这些工具在一定程度上为日常办公节省了时间及人力成本,提高了工作效率。希望它们能给你

zerokkqq的专栏 3077

避坑指南:C#调用CodeSoft打印标签时常见的5个错误及解决方法

本文总结了C#调用CodeSoft打印标签时常见的5个核心错误及解决方案,涵盖环境配置、模板加载、变量赋值、打印机切换和资源管理。重点解析了如何避免COM对象创建失败、模板路径错误、变量名不匹配、打印机切换异常及内存泄漏等问题,帮助开发者实现稳定高效的标签打印集成。

weixin_29215815的博客 235

uniapp - 详细解决 H5 网页报错 Uncaught Error: Async component timed out after ? ms.(移动端h5页面白屏或加载缓慢失败,超时报错处理)

uni-app,vue3,网页,h5,移动端,手机H5页面,浏览器,报错,uniapp报错,Asynccomponenttimedoutafter,如何解决这个问题,vue3Asynccomponenttimedoutafter,异步组件超时了怎么办,async,详细解决方案,AsyncComponents异步组件,导致页面打不开了,白屏什么也不显示,网页载入非常慢卡顿,vue3网站报错,超时,nuxt3,详细解决方案,浏览器控制台报错,爆红并且页面卡住了,依旧报错,找不到异步组件的报错

🏆 前端领域优质创作者 3782

SpriteJS 入门教程

本教程将引导您了解并使用开源项目 [SpriteJS](https://github.com/spritejs/spritejs),一个用于2D图形和动画的JavaScript库。 ## 1. 项目目录结构及介绍 以下是SpriteJS的基本目录结构: ``` spritejs/ ├── bin/ # 包含可执行脚本 ├── dist/ # 编译后...

gitblog_00498的博客 593

西门子S7-1200PLC与FANUC机器人进行PROFINET IO通信的具体方法和步骤详解

西门子S7-1200PLC与FANUC机器人进行PROFINET IO通信的具体方法和步骤详解

Robot_PLC_HMI_Automation 1万+

sprite.js: 一款轻量级的JavaScript库,用于创建和管理精灵图

Sprite.js是一个轻量级的JavaScript库,专为创建和管理精灵图而设计。它可以帮助开发者轻松地在网页上创建动态的、交互式的图形元素,如动画、游戏等。 ## sprite.js可以用来做什么? 使用sprite.js,你可以创建各种类型的动态图形元素,例如: - 动画:通过将多个图像帧组合成一个精灵图,并控制每个帧的显示时间,可以创建出流畅的动画效果。 - 游戏:使用sprite.js可...

gitblog_00010的博客 836

vmvare kali如何配置桥接模式进行上网

注意点:虚拟机可以PING通物理机,但是PING不通其他的网站。经过收集资料,得知由于是校园网连接,所以DHCP只能分配一个授权的IP地址给连接的主机,由于KALI是桥接物理机,物理机已经获得了这个授权的IP,所以导致桥接的虚拟机无法上网。所以不是因为配置的有问题,而是网络的安全设置导致了桥接失败。如果你是使用校园网,可以换个网络试试,使用校园网的时候,可能会遇到桥接失败。

猿小白的博客 1411

24、手机GPS天线设计与有源GNSS天线性能评估

本文系统介绍了手机GPS天线的代表性设计,包括隔离磁偶极子、共面平衡偶极子和小型陶瓷加载QHA天线,分析了其结构特点、性能参数及适用场景。同时详细阐述了有源GNSS天线的组成结构与G/T比作为关键性能指标的评估方法,并提出了组件选择、噪声控制和增益提升等优化策略。最后展望了未来手机GPS天线在小型化、多频集成和智能适应性方面的发展趋势。

pytorch8learner的博客 728

css3实现spirit精灵动画

中的-1440px为单个图片大小(60px)乘以24。2.图片演示:spirit精灵动画。

猫玖云 348

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

推荐项目:Json Spirit,高效处理JSON数据的C++库

推荐项目:Json Spirit,高效处理JSON数据的C++库 在当今的软件开发世界中,JSON(JavaScript Object Notation)作为一种轻量级的数据交换格式,几乎无处不在。对于C++开发者来说,找到一个既高效又灵活的JSON解析和操作工具至关重要。今天,我们来探索一个优秀的选择——Json Spirit。 项目介绍 Json Spirit是一个基于Boost.Spirit...

gitblog_00008的博客 736

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

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

CSS spirit /css精灵

利用css中的三个样式:图片、位置和重复,即background-image、background-position和background-repeat;也可以直接用background来写。 例如:background:url(nav_bg.gif) 0 0 no-repeat;    background:url(nav_bg.gif) 0 -28 no-repeat;

开心每天,水滴石穿。 3938

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")

前端实现json动画(附带示例)

可以下载想要的json动画。

mgdj25的博客 3651

高性能动画JSON动画

animejs 它是一个js动画库,是对transform进行封装,使其受js控制、拥有更高性能和很好的兼容。 最重要的是: 提供了很多回调、监听方法。eg:每帧回调、每次循环回调、循环开始的回调。 提供了一个时间轴概念,赋予其属性继承和控制动画执行顺序的能力。 https://www.animejs.cn/documentation/#cssSelector lottie - web 以往实现动画方式有三种(不谈游戏):keyframe、transform、gif。痛点是我们很难实现复杂动画,而js

weixin_45629623的博客 4157
上一篇: shell 动态图形_如何使用动态图形增强您的网站
下一篇: html注册页面样板_向HTML电子邮件样板打个招呼
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