jQuery选择器(二)

本文详细介绍了jQuery中四种层次选择器的使用方法:后代元素选择器、子元素选择器、相邻元素选择器及兄弟选择器,并通过具体示例展示了如何应用这些选择器来操作DOM元素。
二、层次选择器
1、后代元素选择器

选择器:$("ancestor  descendant") //其中ancestor是指任何有效的元素,descendant是ancestor的后代元素
描述:选择ancestor元素里的所有后代元素descendant。
返回:集合元素
示例:改变form表单内所有input元素的边框属性
<script type="text/javascript">
   $(document).ready(function(){
       $('form input ').css('border','1px solid red');
   });
</script>
2、子元素选择器(parent > child)
选择器:$("parent > child")  //parent是指任何有效的元素,child是parent元素的子元素
描述:选择parent元素下的子元素child,其跟后代选择器$("ancestor descendant")是有区别的,前者只能选择到子元素,而后者能选择到所有后代元素,比如说子元素还有孙子辈的元素等 。
返回:集合元素
示例:
<script type="text/javascript">
    $(document).ready(function(){
       $('form > div ').css('border','1px solid red');
    });
</script>
3、相邻元素选择器(prev + next)
选择器:$("prev  +  next")  //其中prev是任何有效果选择器,而next是prev元素相邻的下一个元素(也就是紧接着pre的元素)
描述:选择紧接在prev元素后的next元素
返回:集合元素
示例:改变fieldset表单域的下一个div兄弟元素的边框属性
<script type="text/javascript">
   $(document).ready(function(){
      $('fieldset + div ').css('border','1px solid red');
   });
</script>
<script type="text/javascript">
   $(document).ready(function(){
      $('fieldset').next('div').css('border','1px solid red');
   });
</script>
4、兄弟选择器(prev ~ siblings)
选择器:$("prev ~  siblings")  //prev是指任何有效果的元素选择器,而siblings是指prev元素后面的所有兄弟元素
描述:选取prev元素之后的所有siblings兄弟元素。
返回:集合元素
示例:改变表单div元素后面的所有div兄弟元素的边框属性。
<script type="text/javascript">
   $(document).ready(function(){
      $('div ~ div ').css('border','1px solid red');
   });
</script>
<script type="text/javascript">
   $(document).ready(function(){
      $('div').nextAll().css('border','1px solid red');
   });
</script>

 

 

jQuery选择器(一)

jQuery选择器(二)

jQuery选择器(三)

jQuery选择器(四)


 

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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