CSS 中权值使用(笔记)

本文详细解释了CSS中不同选择器的权值规则及其计算方式,并介绍了如何通过!important声明提高样式的优先级。
权值的作用及怎么计算:


有的时候我们为同一个元素设置了不同的CSS样式代码,那么元素会启用哪一个CSS样式呢?我们来看一下面的代码:


p{color:red;}
.first{color:green;}
<p class="first">三年级时,我还是一个<span>胆小如鼠</span>的小女孩。</p>
p和.first都匹配到了p这个标签上,那么会显示哪种颜色呢?green是正确的颜色,那么为什么呢?是因为浏览器是根据权值来判断使用哪种css样式的,权值高的就使用哪种css样式。


下面是权值的规则:


标签的权值为1,类选择符的权值为10,ID选择符的权值最高为100。例如下面的代码:


p{color:red;} /*权值为1*/
p span{color:green;} /*权值为1+1=2*/
.warning{color:white;} /*权值为10*/
p span.warning{color:purple;} /*权值为1+1+10=12*/
#footer .note p{color:yellow;} /*权值为100+10+1=111*/
注意:还有一个权值比较特殊--继承也有权值但很低,有的文献提出它只有0.1,所以可以理解为继承的权值最低。




如果 权值相等怎么办?->根据css 的先后顺序


如果在html文件中对于同一个元素可以有多个css样式存在并且这多个css样式具有相同权重值怎么办?--->层叠现象


层叠就是在html文件中对于同一个元素可以有多个css样式存在,当有相同权重的样式存在时,会根据这些css样式的前后顺序来决定,处于最后面的css样式会被应用。


如下面代码:


p{color:red;}
p{color:green;}
<p class="first">三年级时,我还是一个<span>胆小如鼠</span>的小女孩。</p>
最后 p 中的文本会设置为green,这个层叠很好理解,理解为后面的样式会覆盖前面的样式。


所以前面的css样式优先级就不难理解了:


内联样式表(标签内部)> 嵌入样式表(当前文件中)> 外部样式表(外部文件中)。






特殊情况下设置权值最大值:


我们在做网页代码的时,有些特殊的情况需要为某些样式设置具有最高权值,怎么办?这时候我们可以使用!important来解决。


如下代码:


p{color:red!important;}
p{color:green;}
<p class="first">三年级时,我还是一个<span>胆小如鼠</span>的小女孩。</p>
这时 p 段落中的文本会显示的red红色。


注意:!important要写在分号的前面


这里注意当网页制作者不设置css样式时,浏览器会按照自己的一套样式来显示网页。并且用户也可以在浏览器中设置自己习惯的样式,比如有的用户习惯把字号设置为大一些,使其查看网页的文本更加清楚。这时注意样式优先级为:浏览器默认的样式 < 网页制作者样式 < 用户自己设置的样式,但记住!important优先级样式是个例外,权值高于用户自己设置的样式。





### 如何在加权函数中确定和调整权值 #### 权值的概念及其重要性 神经网络中的权值决定了输入信号通过网络传播时的重要性程度。较高的权值意味着对应的输入特征对于模型决策具有更大的影响[^1]。 #### 初始权值设定原则 为了确保训练过程稳定并加快收敛速度,通常会将初始权值随机初始化在一个较小范围内(如0至1),这有助于防止梯度消失或爆炸现象的发生。 #### 动态调整机制——动量项的应用 一种有效的动态调整策略是在标准反向传播基础上引入动量项,即每次更新不仅考虑当前误差对各参数的影响,还会适当保留一部分历史变动趋势作为增量的一部分。具体而言,在每一次迭代过程中,新的权值变化等于基于BP算法计算得出的部分加上一个正比例于上次实际发生改变大小的新成分[^2]。 #### MATLAB实现示例 以下是利用MATLAB构建简单感知机模型,并对其内部连接强度进行自适应调节的一个例子: ```matlab net = perceptron; % 创建单层感知器对象 view(net); % 设置学习速率以及最大训练次数等超参配置... net.trainParam.lr = 0.9; net.trainParam.epochs = 20; % 准备数据集用于后续拟合操作... P = [0 1 0 1; 0 0 1 1]; T = [0 0 0 1]; % 开始正式调用内置train()接口完成整个流程控制逻辑... net = train(net,P,T); ``` 上述代码片段展示了如何创建、配置及训练一个基本的线性分类器实例;其中`lr`属性对应的就是所谓的“学习率”,它间接反映了我们在多大程度上去采纳新旧两版方案之间的差异部分[^3]。 #### 计算权重系数αm的方法 当涉及到集成学习领域内的AdaBoost算法时,则需依照特定公式来量化不同弱分类器间相对贡献度。给定某一轮次产生的误判概率em之后,可通过下面表达式求得相应位置处应赋予多少额外重视力度: \[ \alpha_m=\frac{1}{2}\ln{\left(\frac{1-e_m}{e_m}\right)} \] 这里得到的结果越接近正值无穷远端,就表明该成员在整个组合体里扮演着更为关键的角色[^4]。
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