greensock下载_使用GreenSock完成我们的可拖动的画布外菜单

greensock下载

在此Draggable旅程的第一部分中,我们讨论了如何包括脚本,研究了ThrowPropsPlugin,包括了启动我们的项目的要求,希望将其发展到11​​个! 现在,准备制作一个可以对键盘和触摸做出React的非画布菜单系统。

演示

我们将在本教程其余部分中构建和讨论的完整演示也可以在CodePen上获得。

我鼓励您在尽可能多的设备上进行此项测试,尤其是键盘导航。 每次交互(无论是触摸,键盘还是鼠标)都已考虑在内,但是正如您在我们当前的情况中所发现的那样, 您无法检测到触摸屏 ,有时甚至尝试这样做都会导致误报 。

设置

使用第一部分中的标记,我们将首先添加一个用于结构目的的容器div以及用于CSS和JavaScript钩子的相关类。


   
…

以“ js”前缀开头的类表示这些类仅出现在JavaScript中; 删除它们会妨碍功能。 它们从未在CSS中使用过,从而有助于隔离关注点。 周围的容器将有助于控制滚动行为,这将在后面CSS部分中讨论。

辅助功能

有了适当的基础之后,就该在顶部添加ARIA层以为屏幕阅读器和键盘用户提供语义含义了。


   

由于默认情况下菜单将被隐藏,因此aria-hidden属性被标记为true ,并将根据菜单的状态进行相应的更新。 对于打开为false ,对于关闭为true 。 这是根据W3C规范对aria-hidden属性的说明:

表示该元素及其所有后代对作者所实现的任何用户都不可见或不可感知。 […]作者必须在未显示的内容上设置aria-hidden =“ true”,无论隐藏它的机制如何。 这使辅助技术或用户代理可以正确跳过文档中的隐藏元素。 〜W3C WAI-ARIA规格

作者应注意隐藏的内容,从而使此属性成为本文讨论范围之外的单独讨论。 对于那些好奇的人,规范进一步定义了属性,并且有些古怪。 关于规范术语,我通常不会这么说。

CSS

我们CSS是魔术真正开始的地方。 让我们从演示中获取有意义的重要部分并对其进行分解。

body {
  // scroll fix
  height: 100%;
  overflow: hidden;
  // end scroll fix
}
.app {
  // scroll fix
  overflow-y: scroll;
  height: 100vh;
  // end scroll fix
}
.dragaebel-nav {
  height: 100vh;
  overflow-y: auto;
  position: fixed;
  top: 0;
  right: 0;
}

将主体高度设置为100%可以使容器拉伸整个视口,但它也起着更重要的作用。 让我们隐藏它的溢出。

溢出滚动修补程序有助于控制主容器和导航中的任何一个包含溢出内容时的行为。 例如,如果容器已滚动(或菜单),则当用户到达初始滚动元素的末尾时,另一个容器将不会滚动。 这是一种怪异的行为,通常不会讨论,但是会带来更好的用户体验。

视口单位

视口单元功能非常强大,并且在主容器如何容纳溢出内容方面起着至关重要的作用。 如今,视口单元在各种浏览器中都具有出色的支持 ,我强烈建议您开始使用它们。 我在导航上使用了vh单位,但我可以改用百分比。 在开发过程中,发现div.app必须使用vh单位,因为百分比不允许溢出的内容保持典型的滚动行为; 内容导致被剪切。 如果菜单项超出了菜单的高度或视口的高度变窄,则可以设置溢出来进行scroll准备。

// Allow nav to open when JS fails
.no-js .dragaebel-nav:target {
  margin-right: 0;
}

.dragaebel-nav {
  margin-right: -180px;
  width: 180px;
}

.no-js .nav:target可以访问我们的菜单,而不管JavaScript是否失败或已关闭,因此我们将ID值添加到菜单触发器的href属性的原因。

主导航通过负边距向右移动,该负边距也与导航宽度相同。 为了简洁起见,我正在编写Vanilla CSS,但是我敢肯定,您可以在自己选择的预处理器中写一些更奇特的东西。

JavaScript

JavaScript是此可拖动菜单之旅的最后一站,但是在编写一行JS之前,我们需要编写模块模式设置。

var dragaebelMenu = (function() {
  function doSomething() {…}
  return {
    init: function() {…}
  }
})();

dragaebelMenu.init(); // start it!

变数

对于配置设置,我们将定义一些变量以供将来参考。

var dragaebelMenu = (function() {

  var container   = document.querySelectorAll('.js-dragsurface')[0],
      nav         = document.querySelectorAll('.js-dragnav')[0],
      nav_trigger = document.querySelectorAll('.js-dragtoggle')[0],
      logo        = document.querySelectorAll('.js-draglogo')[0],
      gs_targets  = [ container, nav, logo, nav_trigger ],
      closed_nav  = nav.offsetWidth + getScrollBarWidth();

})();

除了定义了我们的GreenSock目标的最后两个变量以及导航菜单的宽度之外,这些变量中的大多数只是在获取DOM元素。 实用程序功能getScrollBarWidth() (今天在我们的讨论之外)检索滚动条的宽度,以便我们可以将导航栏定位在刚超出其自身宽度的位置,以便在菜单打开时看到它。 目标是菜单打开时我们移动的对象,以允许推送相邻的内容。

方法

为了简短起见,我将仅讨论对菜单行为的功能极为重要的方法。 在演示中没有看到的所有其他内容都是“糖在上面”的东西,它使菜单更加强大。

function menu(duration) {
  container._gsTransform.x === -closed_nav ? 
    TweenMax.to(gs_targets, duration, { x: 0, ease: Linear.easeIn }) : 
    TweenMax.to(gs_targets, duration, { x: -closed_nav, ease: Linear.easeOut });
}

menu功能检测容器的x坐标是否等于封闭的导航状态。 如果是这样,则将目标设置回其初始位置,否则将其设置到打开位置。

function isOpen() {
  return container._gsTransform.x < 0;
}

这是一个用于检查菜单状态的实用程序功能。 如果关闭菜单,则返回0如果打开,则返回负值。

function updateNav(event) {
  TweenMax.set([nav, logo, nav_trigger], { x: container._gsTransform.x });
}

这是另一个实用程序函数,每次onDrag或onThrowUpdate事件发生时, onDrag .set()方法的数组参数内的目标的x坐标设置为容器的x位置。 这是Draggable对象实例的一部分。

function enableSelect() {
  container.onselectstart = null; // Fires when the object is being selected.
  TweenMax.set(container, { userSelect: 'text' });
}

function disableSelect() {
  TweenMax.set(container, { userSelect: 'none' });
}

function isSelecting() {
  // window.getSelection: Returns a Selection object representing
  // the range of text selected by the user or the current position
  // of the caret.
  return !!window.getSelection().toString().length;
}

这些功能有助于确定某人是否真的在选择文本,以便在某人在屏幕上拖动时启用/禁用选择功能。 对于鼠标事件,这不是最理想的行为,但是正如我们已经提到的,您再也无法检测到触摸屏。

可拖动实例

Draggable.create([targets], {options})

正如我们在上一本有关Draggable的教程中所讨论的那样,这将创建Draggable对象的实例,并定位我们选择的DOM对象,这些对象可以作为数组传递。

Draggable.create([container], {
  type: 'x',
  dragClickables: false,
  throwProps: true,
  dragResistance: 0.025,
  edgeResistance: 0.99999999,
  maxDuration: 0.25,
  throwResistance: 2000,
  cursor: 'resize',
  allowEventDefault: true,
  bounds: {…},
  onDrag: updateNav,
  onDragEnd: function(event) {…},
  liveSnap: function(value) {…},
  onPress: function(event) {…},
  onClick: function(event) {…},
  onThrowUpdate: function() {…}
});

这是我们整个Draggable实例以及所使用的属性。 实际的演示代码包含我留下的注释,以便理解并更好地了解每个人的职责。 我鼓励您研究演示代码,甚至挑战您解构其原因和方式。

这么长,但不见得再见

这是我们GreenSock旅程的结束,希望您在此过程中学到很多。 特别感谢GreenSock的Jack和Carl,以及整个GreenSock社区,他们在整个系列中都提供了令人难以置信的帮助。 最后但并非最不重要的一点是,非常感谢读者,读者们本系列的结尾。 恭喜! 我希望本系列文章有助于更好地了解真棒JavaScript动画库的强大功能和功能。 建立很棒的东西并保持创造力!

翻译自: https://webdesign.tutsplus.com/tutorials/completing-our-draggable-off-canvas-menu-with-greensock--cms-24796

greensock下载

GreenSock 动效:几个隐藏的高级使用技巧 GreenSock Animation Platform(GSAP)是一款功能强大的JavaScript动画库,它提供了丰富的特性和灵活的控制方式,使开发者能够创建出令人惊叹的交互式动画效果。自定义缓动函数让我们能够实现特定的动画效果,时间轴嵌套可以组织和控制复杂的动画序列,而动画的反转操作则提供了更多的交互性和动态性。请注意,为了运行上述代码,你需要先引入GSAP库,并确保你的开发环境中已经包含了相应的依赖。在子时间轴中,我们可以添加多个动画效果,这里示例中添加了两个动画效果。,然后创建了一个子时间轴。 阅读详情

相关推荐

GreenSock 12.0.16 源码剖析及应用实践

本文还有配套的精品资源,点击获取 简介:GreenSock Animation Platform (GSAP) 是一款专注于高性能动画效果的JavaScript库。此次提供的源码包版本为12.0.16,包含了GSAP的核心组件TweenLite和TweenMax。TweenLite作为一个基础模块,提供了轻量级的动画功能,能够实现平滑的属性过渡。TweenMax则是在Twe...

weixin_30476025的博客 1086

使用GreenSock插件轻松制作精美的Web动画

本使用GreenSock教程系列的第三部分的目的是向您介绍一些惊人的使用GreenSock 插件 。 你会使用: 沿着弯曲贝塞尔路径BezierPlugin动画特性 该GSAP可拖动的实用程序,在屏幕和ThrowPropsPlugin上拖动元素他们飞机滑行平稳停车 该DrawSVGPlugin绘制SVG动态招 该MorphSVGPlugin变身任何SVG路径到任何其他路径,即使这两个路...

1008

SVG动画与优化:GreenSock和SVGO的实践指南

本章探讨了如何在SVG中实现复杂的动画效果,以及如何通过工具优化SVG文件以减小资产大小。介绍了GreenSock库用于创建渐变动画和颜色变化,并推荐使用SVGO工具和SVGOMG界面来自动执行SVG文档的微观优化。此外,还讲解了如何在不支持CSS滤镜的IE浏览器中使用SVG创建滤镜效果。

weixin_35433448的博客 539

greensock下载_使用GreenSock构建可拖动的画布外菜单

用于GSAP的插件非常不错,但是让我们看一下GreenSock提供的实用程序。 特别是称为Draggable的实用程序。 使用Draggable,创建支持触摸的交互(也可以与键盘和鼠标一起使用)非常简单。 当我们结束GreenSock旅程时,本教程是最后的两部分。 我们将通过学习Draggable的语法,设置开始,并在下一个教程中以创建可与鼠标和启用触摸的设备一起使用的画布菜单结束! 拖动之...

Web design 教程小屋 851

greensock 常用指南

greensock 常用指南greensock 常用指南greensock 常用指南greensock 常用指南greensock 常用指南

greensock:使用 Greensock 创建动画网站

绿袜子 使用 Greensock 创建动画网站

使用 GreenSock(GSAP)实现 字符串动画

使用 GreenSock(GSAP)实现 字符串动画

u013558123的博客 847

M2DGR数据集在主流SLAM框架中的实战配置指南:从ORB-SLAM到FAST-LIO的完整流程

本文提供了M2DGR多传感器数据集在主流SLAM框架中的实战配置指南。详细介绍了从ORB-SLAM、VINS-Mono等视觉/视觉惯性框架,到A-LOAM、FAST-LIO等激光/激光惯性框架的完整配置流程、参数调整要点及常见问题解决方案。通过实际测试对比,分析了各算法在M2DGR数据集上的表现,为机器人定位与建图研究提供了宝贵的实战经验。

k9l0m1的博客 481

greensock是个很不错的类库,故转载了一些关于其中类使用方法的文章。

一、greensock_plugins常用功能中文简介 http://bbs.9ria.com/thread-400375-1-1.html 原文链接:http://www.contactu.cn/article.asp?id=133 因为在网上已经发现一些未注明出处的转载,所以我特地在天地会重发此文,转载请注明本人原创即可。 ---------------------------

Manketon的专栏 6523

《Ventoy 制作系统安装 U 盘的具体步骤》

然后您可以在电脑的磁盘管理中对 U 盘进行快速格式化,选择 FAT32 或 NTFS 文件系统。至此,Ventoy 系统安装 U 盘就制作完成了。您可以在需要安装系统的电脑上,从 U 盘启动,然后选择相应的系统镜像进行安装。安装完成后,将您需要的操作系统镜像文件(如 Windows、Linux 等的 ISO 格式镜像)复制到 U 盘的根目录。在安装程序中,选择您插入的 U 盘设备,确保选择正确,以免误操作。2. 确认选择的 U 盘盘符正确,防止误操作导致其他磁盘数据丢失。点击“安装”按钮,等待安装完成。

jiyiwangluokeji的博客 2678

Kisssoft软件在行星齿轮设计上的初试

行星齿轮传动与链传动相比较,具有质量小,体积小,承载能力强,传动比大,传动效率高等优点,但在行星齿轮传动种种优点下,不可避免的带来一些缺点,对其材料的要求过高,在追求传动比大而体积小的同时,其传动结构大大的复杂化,以及在制造和安装过程中较困难,对于行星齿轮传动设计来说,不仅应该了解其优点,而且应该在设计中,充分发挥其优点,且把其缺点降低到最低的限度。从而才能设计出性能优良的行星齿轮传动装置,为我们赛车提供更加强大的动力保证。 Kisssoft软件为我们行星齿轮传动设计提供了一体化方案,从设...

m0_69808569的博客 1万+

GreenSock (TweenMax) 极简入门指南

最近把GreenSock的一些知识以及一些开发技巧使用gitbook整理了一本在线的电子书,GreenSock电子书可以去看看,下面是一个基本入门的简化版本,更详细的可以去看在线的版本,里面有详细的介绍以及一些高级应用技巧,GreenSock电子书 今天就来开始学习下牛逼的javascript动画库GASP(greensock)。 Gre...

weixin_34221332的博客 1431

C#上位机多PLC多协议开发思路:10年老工控师拆解实战方案,避坑90%的问题(附代码框架)

是否连接成功数据地址(如“DB1.DBW0”“D100”“4x0001”)

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 954

greensock下载_初识GreenSock的“ GSDevTools”

当涉及到SVG和其他复杂的Web动画时,GreenSock一直以来一直是我在这个星球上最喜欢的库之一。 对于本文,我很高兴为GSAP平台提供一个很棒的附加功能,名为“ GSDevTools”。 这是一系列工具,这些工具肯定会使许多需要接口才能与其GreenSock代码进行交互的GreenSock用户兴奋。 让我们更深入地了解一下GreenSock上的朋友Jack和Carl的这一出色的新功能。 ...

Web design 教程小屋 841

从 central AAE 到 non-central AAE,重新理解 SAP PI 和 AEX 里的适配器引擎部署策略

摘要: SAP PI 项目中后期常面临运行时部署问题(如流量、隔离、权限等),而 Advanced Adapter Engine(AAE)是关键组件。AAE 分为 central(与集成服务器绑定,适合简单场景)和 non-central(独立部署,适合跨区域复杂网络)。non-central AAE 支持本地用户管理,增强独立性但增加治理复杂度。AEX(Java-only 轻量版 PI)与 non-central AAE 不同,前者是安装选项,后者是运行时部署方式。实际应用中,non-central AA

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 67

2026.2.11:ollama api推理GLM-OCR模型识别图片

本文介绍了使用Ollama API调用GLM-OCR模型进行图片文字识别的过程。首先通过ollama pull glm-ocr:latest命令拉取模型,然后使用Python脚本调用API接口。代码示例展示了如何发送包含图片路径的请求,并处理返回的识别结果,支持文本、公式和表格三种识别模式。运行结果展示了模型对输入图片的识别效果,为开发者提供了便捷的OCR解决方案。

拥抱具身智能,昇腾Ascend C 371

实际操作这8门基于项目的课程

理论很好,但有时最好的学习方法是深入实践项目。 因此,在本文中,我将向您简要介绍八门课程,这些课程旨在让您通过自己构建事物来学习—当然还要提供全面的指导。 在这些课程中,您将学习Web设计的各个方面,从动画到用户界面设计。 而且,甚至更好的是,您将完成一系列有用的项目,构建从菜单和滑块到图像画廊和通知栏的所有内容。 1. 6个针对Web设计人员的Flexbox项目 CSS Flex...

Web design 教程小屋 180

innovus:streamOut gds中pg text带有冒号(:)解决办法

streamOut后查看layout,发现部分PG text后面加了冒号,比如VDD: / VSS:。当然,这个问题还有另一种解决办法,就是通过脚本给terminal打text再streamOut。我正在「拾陆楼」和朋友们讨论有趣的话题,你⼀起来吧?

m0_61544122的博客 1193

PCB设计远程办公实战:从工具选型到环境搭建

在硬件开发领域,PCB设计长期依赖本地工作站和局域网环境,而云计算与远程协作技术的成熟正在改变这一模式。远程办公要求工程师在任何地点都能高效完成原理图绘制、布局布线与生产文件交付。本文从设计数据资产化的角度,剖析了Altium、嘉立创EDA、KiCad等主流PCB软件在云端协作、版本管理和文件同步方面的能力差异。通过优化远程图形传输、建立统一封装库、引入Git或SVN机制,团队可有效解决多人在线编辑的冲突问题。无论是独立设计师还是跨地域硬件团队,掌握这些方法都能实现灵活接入设计工程,并确保Gerber输出质

weixin_29193259的博客 307

ComfyUI整合包V8中文版最新版介绍

和普通AI绘图网页不同,它把图像生成的每一个步骤拆分成一个个"节点",用连线把它们串起来,形成工作流。里面包含ComfyUI内核、Python运行环境、常用插件、部分预置模型,还有一个叫"绘世启动器"的图形界面管理工具。网上的对比数据显示,WebUI最低需要4G显存,ComfyUI最低3G显存就能运行。可以在里面管理插件、切换模型路径、设置显存模式、查看日志报错,还有"疑难解答"功能,遇到报错可以先扫描一下看是不是已知问题。原版ComfyUI的界面是英文的,右键菜单、节点名称全是英文。

欢迎来到鸾姝淡月博客,专为程序员和编程爱好者打造的技术博客。我们分享编程语言趋势、开发工具、编程哲学、职业发展等,助你掌握新技术,优化技能,激发编程热情。 5232

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

greensock插件下载_使用GreenSock插件轻松制作精美的Web动画

greensock插件下载 本GreenSock教程系列第三部分的目的是向您介绍一些了不起的GreenSock 插件 。 您将使用: 使用BezierPlugin对沿弯曲的Bezier路径的属性进行动画处理 GSAP Draggable实用程序可拖动屏幕上的元素,而ThrowPropsPlugin可将其滑动到平稳的位置 DrawSVGPlugin动态绘制SVG笔划 Morp...

404

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

什么是GreenSock动画平台?

GreenSock是一个JavaScript框架,可轻松对HTML元素进行动画处理。 在这本有关GreenSock动画平台的最新课程的快速视频教程中,我将向您概述GreenSock及其主要组件。 观看教程 观看完整课程 在整个课程“ GreenSock动画平台:第一步”中 ,您将迈出第一步,学习如何使用此功能强大的框架。 只要您对HTML和CSS都有一定的了解,并且对JavaScript有...

Web design 教程小屋 1864

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

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")

Green Sock | GSAP 动画库

**GreenSock Animation Platform(GSAP)**是一个业界知名的动画工具套件,在超过1100万个网站上使用,其中包括大量获奖网站! 您可以使用GSAP在任何框架中制作几乎任何JavaScript可以触及的动画。无论你是想制作UI、SVG、Three.js还是React组件的动画,GSAP都能满足你的需求。核心库包含创建快速、跨浏览器友好的动画所需的一切。除了核心,还有各种插件。你不需要学习它们来开始,但它们可以帮助解决特定的动画挑战,如基于滚动的动画,可拖动的交互,变形等。

Korbin的博客 5342

js svg语音波动动画_GSAP(GreenSock):最健全的web动画库之一

本文同步发表在我的个人博客中:沧沧凉凉​www.cclliang.com官方的介绍GreenSock动画平台(GSAP)可以对JavaScript可以操作的所有内容进行动画处理(CSS属性,SVG,React,画布,通用对象等),同时解决了不同浏览器上存在的兼容性问题,而且速度极快(比jQuery 快20倍)。大约有1000万个站点和许多主要品牌都使用 GSAP。官网https://greenso...

weixin_39699313的博客 859

TweenMax介绍

GreenSock 是一家做 专业级 JavaScript 动画的公司,主要产品就是其下的 GSAP (GreenSock Animation Platform),配合着 GSPA 开发了很多专业的动画插件。GSAP 是一个强大的 JavaScript 工具集,可以让开发人员开发出高级动画。构建适用于所有主流浏览器的高性能动画。动画化 CSS、SVG、画布、React、Vue、WebGL、颜色、字符串、运动路径、通用对象……任何 JavaScript 可以触及的东西!

weixin_44479322的博客 1884

GreenSock 官方出手了!8 个 AI Skill 让你的 Agent 秒变 GSAP 动画大师——核心 API、ScrollTrigger、Flip、SplitText 全免费

文章摘要 GreenSock 官方发布了 8 个 AI Skill,帮助开发者通过 AI Agent 正确使用 GSAP 动画库。这些技能包覆盖核心 API、Timeline 编排、ScrollTrigger 滚动动画、Flip 布局动画等关键功能,解决了 AI 生成代码中常见的过时 API、误用 CSS 动画等问题。特别值得注意的是,自 Webflow 收购 GSAP 后,所有插件(包括之前付费的 SplitText、MorphSVG)现已完全免费,无需认证令牌。开发者只需 npm install gsa

guopeiAI 1383
上一篇: 用q他构建窗口状态栏_如何用基础构建收缩的固定顶栏
下一篇: chroma抠像_如何使用Chroma.js在JavaScript中处理颜色
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