表单验证时忽略某条属性_具有“样式”属性HTML5表单验证

表单验证时忽略某条属性

在本教程中,我们将探索HTML的pattern属性,使用它来帮助我们自定义验证表单的方式。

HTML5表单验证

表单验证对于网站的安全性和可用性至关重要。 验证过程将在提交输入值之前评估输入值的格式是否正确。 例如,如果我们有一个电子邮件地址的输入字段,则该值肯定必须包含一个有效的电子邮件地址。 它应以字母或数字开头,后跟@符号,然后以域名结尾。

HTML5规范通过引入新的输入类型(例如email , url和tel使验证变得容易一些,这些输入类型也与预定义的验证打包在一起。 只要给定的值不符合预期的格式,这些输入类型就会抛出错误消息,从而阻止提交。

但是,期望满足每种可能的输入方案都是不切实际的。 如果您有用户名,邮政编码或未指定为标准输入类型的任何特殊数据类型,该怎么办? 我们如何验证这些输入? 这就是属性pattern起作用的地方。

使用模式属性

pattern属性仅适用于input元素。 它允许我们使用正则表达式(RegEx)定义自己的规则来验证输入值。 同样,如果该值与指定的模式不匹配,则输入将引发错误。

例如,假设我们在表单中输入了用户名。 用户名没有标准类型,因此我们使用常规text输入类型:

<form action="somefile.php">
	<input type="text" name="username" placeholder="Username">
</form>

让我们定义一个使用pattern属性添加的规则。 在这种情况下,我们将指定用户名应仅包含小写字母; 不允许使用大写字母,数字或其他特殊字符。 另外,用户名长度不能超过15个字符。 在RegEx中,此规则可以表示为[az]{1,15} 。

在我们的用户名输入中添加[az]{1,15}作为pattern属性的值:

<form action="somefile.php">
	<input type="text" name="username" placeholder="Username" pattern="[a-z]{1,15}">
</form>

现在,由于它仅接受小写字母,因此提交任何其他值将引发错误消息:

如您在上面看到的,错误消息显示“请匹配请求的格式。” 因此,我们的验证工作正常,但是此消息并没有帮助我们的用户了解所请求的格式实际上是什么。 UX失败。

自定义验证消息

幸运的是,我们可以自定义消息以提供更多帮助,并且有两种方法可以实现此目的。 最简单的方法是在我们的输入元素中指定title属性:

<form action="somefile.php">
	<input 
		type="text" 
        name="username"
		placeholder="Username"
		pattern="[a-z]{1,15}"
		title="Username should only contain lowercase letters. e.g. john">
</form>

现在,标题和默认消息一起包括在内:

尽管如此,弹出消息还是不一致的。 如果将其与前面显示的电子邮件输入类型所抛出的信息进行比较,则实际说明可能会更加突出。

第二种方法将为我们解决这个问题。

替换默认HTML5验证消息

现在让我们用完全自定义的消息替换默认的“请匹配请求的格式”。 我们将使用一些JavaScript来做到这一点。

首先向input元素添加一个id ,以便能够方便地选择它。

<form action="somefile.php">
    <input 
        type="text" 
        name="username" 
        placeholder="Username"
        pattern="[a-z]{1,15}"
        id="username">
</form>

现在,我们可以使用JavaScript选择输入元素并将其分配给变量(在页面上的<script>标记之间,在单独JavaScript文件中或在CodePen的JS窗格中):

var input = document.getElementById('username');

最后,我们指定输入显示无效状态时使用的消息。

input.oninvalid = function(event) {
	event.target.setCustomValidity('Username should only contain lowercase letters. e.g. john');
}

oninvalid事件继承了一个event对象,该对象包含一些属性,包括target属性(无效元素)和validationMessage ,其中包含错误文本消息。 在上面的示例中,我们使用setCustomValidity()方法覆盖了文本消息。

现在,我们应该找到无缝替换默认消息的自定义消息。

设置我们的验证状态

为了补充新的输入类型和设置自定义验证消息的这些方法,CSS3规范引入了两个有用的伪类:valid和:invalid 。 这些使我们能够根据输入的有效性状态来应用样式,例如:

input:invalid {
	border-color: red;
}
input,
input:valid {
	border-color: #ccc;
}

使用这些伪类时,需要牢记以下几点:

  • 首先,即使输入值为空,默认情况下也会应用:valid 。 因此,如您在上面看到的,我们将border-color设置为#ccc ; 输入元素的默认颜色。 除非我们添加了required属性,否则空值始终被视为有效。 在这种情况下,输入无效,并给出红色边框颜色。
  • 有效和无效样式将在用户键入时立即应用,即使该值为空。 即时样式更改可能会使用户感到恐慌。

关于样式化弹出消息的一句话

HTML5表单验证已成为HTML5规范的新标准,但是错误弹出窗口的显示方式完全取决于浏览器供应商。 在不同的浏览器中会有不同的美感,这将不利于UI的一致性。

几年前,谷歌浏览器阻止了自定义默认弹出样式的功能 。 如果这是您要实现的目标,唯一剩下的选择就是使用JavaScript完全覆盖弹出消息,因此让我们来看看它是如何工作的!

更先进

我们将创建一个自定义弹出窗口,该弹出窗口将在我们输入的值无效时显示。 首先,我们需要选择几个必需的元素,即input和form元素:

var input = document.getElementById('username');
var form  = document.getElementById('form');

接下来,我们将创建一个新元素,其中将包含我们的消息:

var	elem               = document.createElement('div');
	elem.id            = 'notify';
	elem.style.display = 'none';
	form.appendChild(elem);

在这里,我们创建了一个新的div元素。 我们给它提供了一个id的notify ,并通过将display属性设置为none来隐藏它。 最后,我们在form添加了新的div 。

处理事件

我们需要处理两个事件。 首先, invalid事件在输入值与模式不匹配时调用。 我们将在invalid事件中运行以下命令:

input.addEventListener('invalid', function(event){
	event.preventDefault();
	if ( ! event.target.validity.valid ) {
		elem.textContent   = 'Username should only contain lowercase letters e.g. john';
		elem.className     = 'error';
		elem.style.display = 'block';

		input.className    = 'invalid animated shake';
	}
});

在这里,带有event.preventDefault(); ,我们将阻止默认行为,以使默认浏览器弹出消息不会出现。 相反,我们将通过新的div元素展示自己的内容。 我们将文本消息添加到内容中,添加新类, error并通过将显示设置为block来显示消息。

我们还向输入元素添加了一个invalid类,使其具有红色边框颜色。 我们还需要在CSS样式表中设置样式规则。

input.invalid {
		border-color: #DD2C00;
}

此外,您还可以从Animate.css添加animated shake类。 通过使用震动动画,它具有一定的风格。

第二个事件是input事件。 更改输入值时调用此事件。 我们将使用此事件将输入恢复为正常状态,并隐藏弹出消息,如下所示。

input.addEventListener('input', function(event){
	if ( 'block' === elem.style.display ) {
		input.className = '';
		elem.style.display = 'none';
	}
});

如您在上面看到的,我们将从input元素中删除类名称,并隐藏弹出消息。

现在,我们有一个完全自定义的弹出验证消息。 尝试一下:输入任何无效值:

注意 :如果您正在寻找鼓舞人心的表单UI设计,请不要忘记查看Envato Elements。

最后的想法

将标准输入类型与pattern属性一起使用将为表单提供额外的验证层,但请注意,您也应该执行某种服务器端验证。

令人惊讶的是,即使用户在浏览器中禁用了JavaScript,最新的浏览器仍会显示弹出窗口验证并阻止表单提交。 实际上,如今所有主流浏览器的支持都非常可靠:

我希望您喜欢本教程并将其作为HTML5表单验证的方便参考。

学习JavaScript:完整指南

我们已经建立了完整的指南,可以帮助您学习JavaScript ,无论您是刚开始作为Web开发人员还是想探索更高级的主题。

翻译自: https://webdesign.tutsplus.com/tutorials/html5-form-validation-with-the-pattern-attribute--cms-25145

表单验证时忽略某条属性

RustFS vs MinIO:深入对比分布式存储的性能、功能与选型指南 RustFS与MinIO是两款热门分布式存储系统,分别针对高性能与通用场景设计。RustFS基于Rust语言,在吞吐量(最高提升46%)、延迟(降低37%)和资源效率(内存占用减少67%)上显著优于MinIO,适合AI训练、金融级应用等高性能需求。MinIO凭借成熟的S3兼容性、云原生集成和企业级功能,更适用于混合云及现有S3生态。许可方面,RustFS采用Apache 2.0,MinIO为AGPLv3。选型建议:优先RustFS应对性能敏感场景,选择MinIO注重生态兼容性,也可考虑混合架构策略。 阅读详情

相关推荐

树莓派使用 OLED 屏显示图片及文字

树莓派默认是不带显示屏的,如果想要查看系统的一些信息,需要使用电脑登录到树莓派,或者通过 HDMI 连接外接显示器查看。这样做总是有点麻烦,我们可以通过外接一个 OLED 屏来显示一些关键参数或者图片。本文将详细介绍操作方法。 OLED 模组介绍 OLED 屏主要有两种:128×32 和 128×64 ,主要颜色是白、黄、蓝。OLED 屏的特点是功耗低,价格便宜,使用 I2C 接口与主机连接。本文所使用的是 128×64 尺寸的屏幕,外形如下: [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直

码到成功 3744

如何在html的form提交时排除某些input field的内容

本人阐述了html的form表单里哪些input field在提交的时候会被发送到网络上,并介绍了两种方法,去掉name属性和调用remove方法来排除一些元素发送到网络

qq_42000667的博客 2119

APS生产排程系统——ERP、MES、APS系统的关联和区别

APS生产排程系统——ERP、MES、APS系统的关联和区别

这里有一只小马吖 2万+

一看就懂的正则表达式匹配问题解法(牛客网/剑指offer正则表达式的匹配)

慢慢看完这篇,下次这题就不是问题!^_^ 题目描述 请实现一个函数用来匹配包括’.’和’‘的正则表达式。模式中的字符’.’表示任意一个字符,而’‘表示它前面的字符可以出现任意次(包含0次)。 在本题中,匹配是指字符串的所有字符匹配整个模式。例如,字符串”aaa”与模式”a.a”和”ab*ac*a”匹配,但是与”aa.a”和”ab*a”均不匹配! 接下来请认真跟着我的思路走 分析 当模...

Guijun6的博客 1129

三角洲行动交易行自动化脚本

DFMarketBot - 三角洲行动自动交易助手 DFMarketBot是一款专为三角洲行动游戏设计的交易行自动化工具,通过OCR识别和鼠标模拟实现自动补卡、补子弹功能。项目采用Python开发,支持Windows平台,主要功能包括: 自动检测并购买指定物品(房卡/子弹) 价格监控与智能购买(低于设定价格自动下单) 自定义购买数量与次数限制 支持窗口/无窗口两种游戏模式 使用前需安装Tesseract OCR引擎并配置游戏为1920*1080分辨率。通过JSON文件可灵活配置监控物品清单、理想价格和购买策

愤怒的阿木木的博客 3万+

北航机器学习期末考试试题2020年春

北航机器学习期末考试试题2020春 看csdn上试题收费,积分还挺高,本着共享的理念,把2020春季ML考试的试题公开,若侵权,立删 前8道题10分,第9题20分 决策树采用ID3算法 对宇宙星球是否适合生存分类 SVM的原理;软间隔、硬间隔;以及对非线性样本点分类 集成学习的原理,以及及串行boosting以及bagging的简单概括 K-means与混合高斯模型的异同以及EM算法的原理,如何计算 马尔可夫随机场最大团;马尔可夫随机场的联合概率分布(势函数表示),贝叶斯网络联合概率分布 PCA主成分基于

qq_43343919的博客 5426

antd form使用pattern和validator自定义校验规则

在使用antd的form表单的时候肯定会用到表单校验,antd的表单校验今天仔细看了下还是很好用的,不仅有默认的一般校验,还支持两种自定义校验规则的方式。 antd有默认的几种校验规则如: enum:枚举类型 len:字段长度 max:最大长度 min:最小长度 required:是否必选 自定义校验规则有两种方式:通过validator方法进行自定义校验 和 使用pattern进行自...

MFWSCQ的博客 3万+

CPRI原理及应用--帧结构

对于CPRI 控制字,协议将1个超帧(256基本帧)的控制数据划分为一个“子通道”,将子通道内超帧内的控制字进行行列划分,分为4列X64行,每64个基本帧组成1列。如下图所示。每个Xs子通道内Ns的定义基本相同,在做控制字设计时,主要已Xs和Ns和X.Y.Z开展控制字映射。

u014035968的博客 2326

正则表达式中对于"不匹配"特定pattern的实现

一直觉得自己对于正则表达式非常熟悉,今天被同事问住了。。。 要求实现一个“不匹配”某个字符串的正则. 以住对于这种问题的处理思路是写出匹配特定字符串的正则表达式,进行匹配后对结果进行检验。由于业务限制,这种思路行不通。 求助baidu后,得到结果(?!pattern)可以实现需求 负向预查,在任何不匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹...

weixin_30468137的博客 497

5G NR 物理层 流程一:从帧结构到TB块,PDSCH/PUSCH 资源映射与TBS计算实战

本文详细解析了5G NR物理层流程,从帧结构到TB块的计算,重点介绍了PDSCH/PUSCH资源映射与TBS计算的实战方法。通过具体案例和公式推导,帮助工程师掌握5G NR资源分配、MCS选择及TBS量化过程,解决实际部署中的常见问题。

weixin_30897233的博客 96

Plecs standalone 4.9.5最新版本,赶紧来下载使用吧,需要做并网逆变器及光伏储能变换器的朋友赶紧下载起来

PLECS 4.9.5较4.7.1版实现全面升级:采用自适应求解器切换技术,支持多核CPU/GPU加速,仿真速度提升30-50%;新增模型引用功能,实现模块化设计;强化光伏/风电等新能源组件,支持多物理场耦合分析;优化代码生成功能,兼容多种硬件平台和FMU导入。新版特别适用于复杂电力电子系统、多域联合仿真及硬件在环测试项目,但对硬件配置要求更高。基础教学项目仍可使用4.7.1版本。建议用户根据项目复杂度选择升级方案。

2459

form表单提交-忽略表单验证(form表单的novalidate属性)

form表单的novalidate属性 novalidate属性: 作用: 在表单提交时不对表单中输入的值进行验证; 语法: <form novalidate> 特点: 1. HTML5之后的新属性; 2. 使用于<form>表单以及<input>标签的以下类型: text,search,url,telephone,email,password,date pickers,range以及color。 Demo: <!DOCTYP.

大雷 2654

uniapp [安卓苹果App端] - 实现APP开发后台保活+息屏后台持续运行效果,强制后台保活手机黑屏后进程存活后台保持网络连接或持续定位等功能提供支持(app后台运行休眠仍然可以确保一直运行)

uniapp APP开发后台保活,Uniapp-APP后台保活插件(安卓苹果ios后台保活)保证应用在后台继续运行,uniapp实现app保活 保后台运行 避免系统主动杀进程,如何让安卓APP一直在后台运行?uniapp 安卓 APP 后台持续运行(保活)iOS App后台保活,Android 后台运行白名单实现保活,保活息屏后台运行,uniapp后台保活,uniapp熄屏 后台运行,Android/ios进程保活/息屏后后台保持定位、网络运行,uniapp在android ios保活,挂后台可运行,安卓A

🏆 前端领域优质创作者 1万+

html表单属性设置默认值,HTML5表单Form之属性

HTML5 Web表单引入了新的表单元素、输入类型、属性和其他功能。有些功能已经使用了多年:表单验证、组合框和占位符文本等。之前我们必须求助于JavaScript创建这些功能,现在可以在浏览器中直接使用它们;您需要做的就是在标记中将属性设置为可用。HTML5不仅使开发人员更容易制作表单,同时也为用户带来了许多方便。由浏览器处理客户端的验证,这样使不同的网站具有了更大的一致性,许多网页无需加载多余的...

weixin_39917211的博客 2683

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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")

html5样式是点开头还是#,# 详细了解HTML5中的form表单

4.规范使用元素用于组织所有表单部件(也称为控件或字段),负责告诉浏览器把数据提交到哪里,方法是在action属性中提供一个URL。加入你只是想在客户端使用JavaScript操作表单,那么只要在action属性中指定一个井号(#)即可。??注意:HTML5新增了一种机制,支持把表单控件放在它所在的表单外面。方法是使用心得form属性引用表单的ID值(如:form="zooForm")。不过浏览器...

weixin_42512494的博客 298

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

jQuery html5Validate基于HTML5表单验证插件

by zhangxinxu from http://www.zhangxinxu.com 本文地址:http://www.zhangxinxu.com/wordpress/?p=2857 更新于2014年12月18日 0:35 本插件已经迁移至Github上更新与维护:https://github.com/zhangxinxu/html5Validate 更新于2016-02-25

xygg0801的博客 2948

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

novalidate_HTML5表单Novalidate

novalidateI've been very skeptical when it comes toHTML5 form validation. It's a nice addition, don't get me wrong, but let's be honest-- it'snot very powerful and it could get in the way of the J...

culuo8053的博客 511

html 必填设置,html如何设置必填项

在html中,可以使用required属性来设置必填项,需要在input元素标签中添加“required="required"”样式即可。required属性规定必需在提交之前填写输入字段。如果使用该属性,则字段是必填(或必选)的。本教程操作环境:windows7系统、CSS3&&HTML5版、Dell G3电脑。HTML5引入的必填项required属性required 属性规定...

weixin_39815329的博客 7817

HTML5 新标签和属性(表单验证)

HTML5 表单

Awen_liang1002 972

HTML5文件基本结构

​ HTML是一种超文本标记语言,如网页中的一个标题、一个段落、一张图片等都是利用一个个HTML标记完成的。HTML基本语法为: <html> <heabd></head> <body></body> </html> 网页基本标签 标题标签 标题标签表示一段文字的标题或主题,并且支持多层次的内容结构。HTML共提供了六级...

W94941的博客 1322

jQuery轻松进行表单验证

在本教程中,您将学习如何使用jQuery插件向您的网站添加表单验证。 使用jQuery插件来验证表单有很多目的。 它为您提供了其他功能,例如轻松显示自定义错误消息以及添加条件逻辑以进行表单验证。 验证库还可以帮助您将验证添加到HTML表单中,而对标记的更改很少或没有更改。 有效性条件也可以随时轻松添加,删除或修改。 入门 在本教程中,我们将使用jQuery Validation插件 。...

代码教主 638

HTML5基础知识汇总_(2)自定义属性及表单新特性

自定义属性data-*说起这个属性,其实现在很常见了;怎么说呢,因为在一些框架都能看到他的身影!!! 比如Jquery mobile,里面非常频繁的使用了这个属性;这个属性是哪里来的….当然是跟随最新的H5一起出来的….. 兼容性在PC端只能呢说一般般(目前.比较老式浏览器居多),,手机端支持还是比较OK的;虽说是自定义属性,但是还是有一定的规格的,,比如前缀必须是data-[自定义属性];比如

CRPER 3042

html5已经不推荐使用的是,28个你必须知道的HTML5的新特性

1. 新的Doctype尽管使用,即使浏览器不懂这句话也会按照标准模式去渲染。2. Figure元素用figure和figcaption来语义化地表示带标题的图片。Thisisanp_w_picpathofsomethinginteresting.3. 重新定义的已经被重新定义了,现在被用来表示小的排版,如网站底部的版权声明。4. 去掉link和script标签里面的type属性5....

weixin_33377571的博客 273

element 修改表单值后表单验证无效_纯CSS实现表单验证

首发:krissarea.gitee.io(https://krissarea.gitee.io/blog/css/others/css-form-validation.html)作者:陈大鱼头(https://juejin.im/user/576b433bd342d30057aaa1e9/posts)github:KRISACHAN(https://github.com/KRI...

weixin_39703551的博客 258

html5第一章初始h5,第一章 HTML

第一章 HTML1.1 HTML常见元素HTML常见元素.png常见元素头部常用元素解读//显示在浏览器标题栏title//标题栏的小图标favicon.ico拓展body部分常用元素重要属性HTML重要属性.png拓展enctype,当我们使用post请求时,需要设置enctype,它默认为application/x-www-from-urlencoded,但是当type='file'时,必须使...

weixin_35638218的博客 351

揭秘HTML5之前浏览器的“黑科技”:innerText、outerText 以及 scrollIntoViewIfNeeded() 方法

innerText这是微软为IE浏览器引入的专有属性,用于获取或设置元素的纯文本内容。它会自动过滤掉HTML标签,并忽略元素的布局样式(如隐藏元素)。例如,如果一个<div>包含innerText会直接返回"test",而不会保留<span>标签。outerText这个属性与innerText类似,但它的“野心”更大。它不仅会获取元素内部的纯文本内容,还会将元素本身替换为该文本。换句话说,调用outerText相当于同时修改了元素的内容和结构。不过,outerText在HTML5规范中已被弃用。

JakeMa1024的博客 1015
上一篇: vue.js引入新的组件_新的短期课程:Vue.js组件设计人员指南
下一篇: session粘滞_快速提示:粘滞导航,没有笨拙的跳转
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