使用jq实现瀑布流闭包-1

本文介绍了一种改进的瀑布流布局实现方法,通过调整图片位置和窗口尺寸的变化来达到更好的视觉效果。作者详细解释了实现原理,并提供了一个具体的例子来说明如何计算每个元素的位置。

瀑布流是一种比较常见的网页排布,多用于产品展示或者一些特殊的列表(需要图文结合或者纯图片的列表)。在这些列表中因为图片的大小不一不能进行统一的宽高进行矩阵式排列,所以产生了瀑布流。瀑布流对于图片的展现,是高效而具有吸引力的,用户一眼扫过的快速阅读模式可以在短时间内获得更多的信息量,而瀑布流里懒加载模式又避免了用户鼠标点击的翻页操作,瀑布流的主要特性便是错落有致,定宽而不定高的设计让页面区别于传统的矩阵式图片布局模式,巧妙的利用视觉层级,视线的任意流动又缓解了视觉疲劳。

先讲我做的瀑布流,传统的瀑布流是不会跟随窗口的大小变化而改变显示的行数的,这个确实不实用。在我的程序里面我加入了这个功能。这个功能其实就是在窗口变化的时候重新调用一次函数。

我的思路是这样的,使用<ul><li></li></ul>的形式加载图片和文字,然后

1、将这些li设置为绝对定位。

2、在初始化的时候获取窗口的高度,用窗口的高度除以li的宽度并取整(取整,不是四舍五入)获得最多可以显示的行数。

3、将所有的li存进数组list,得到数组后做一个单循环,根据li的在数组的下标判断li的位置并设置它的top、left

排列的思路是这样滴,第一列第一个处于0位,那么list[0]的top值为10px,left则为0,第二个也就是list[1]top值与第一位一样,left值就是list[0]的width加上两个li之间的左右间距,以此类推,知道第一列结束。从第二列起获取在这个li上面的第一个li的高度和top值,这个值加上两个li的之间的上下间距就是该li的top值,left值可以这样判断:因为在瀑布流里面所有的width是一样的,所以可以使用该li在数组中的下标对最大显示的行数求模乘以width加上两个li之间的左右间距的和来获得。

例如:一个瀑布流中,li的宽度width为200,最大显示的行数maxNum为4,上下间距为10,左右间距为20,那么位于该列表中的第x位的li list[x]的top值和left值为:

top:$(list[x]).css({top:parseFloat(list[x - maxNum] .height) + list[x - maxNum].css("top") + 10 })

left:$(list[x]).css({left:(width + 20)*(x%maxNum)})


ok,实现的原理差不多就是这样,下次在把代码贴上来。(本人语文体育老师教的,写的不好请多见谅)


【SCI复现】含可再生能源与储能的区域微电网最优运行:应对不确定性的解鲁棒性与非预见性研究(Matlab代码实现)内容概要:本文围绕含可再生能源与储能的区域微电网最优运行展开研究,重点探讨应对不确定性的解鲁棒性与非预见性策略,通过Matlab代码实现SCI论文复现。研究涵盖多阶段鲁棒调度模型、机会约束规划、需求响应机制及储能系统优化配置,结合风电、光伏等可再生能源出力的不确定性建模,提出兼顾系统经济性与鲁棒性的优化运行方案。文中详细展示了模型构建、算法设计(如C&CG算法、大M法)及仿真验证全过程,适用于微电网能量管理、电力系统优化调度等领域的科研与工程实践。; 适合人群:具备一定电力系统、优化理论和Matlab编程基础的研究生、科研人员及从事微电网、能源管理相关工作的工程技术人员。; 使用场景及目标:①复现SCI级微电网鲁棒优化研究成果,掌握应对风光负荷不确定性的建模与求解方法;②深入理解两阶段鲁棒优化、分布鲁棒优化、机会约束规划等先进优化方法在能源系统中的实际应用;③为撰写高水平学术论文或开展相关课题研究提供代码参考和技术支持。; 阅读建议:建议读者结合文档提供的Matlab代码逐模块学习,重点关注不确定性建模、鲁棒优化模型构建与求解程,并尝试在不同场景下调试与扩展代码,以深化对微电网优化运行机制的理解。
个人防护装备实例分割数据集 一、基础信息 数据集名称:个人防护装备实例分割数据集 图片数量: 训练集:4,524张图片 分类类别: - Gloves(手套):工作人员佩戴的手部防护装备。 - Helmet(安全帽):头部防护装备。 - No-Gloves(未戴手套):未佩戴手部防护的状态。 - No-Helmet(未戴安全帽):未佩戴头部防护的状态。 - No-Shoes(未穿安全鞋):未佩戴足部防护的状态。 - No-Vest(未穿安全背心):未佩戴身体防护的状态。 - Shoes(安全鞋):足部防护装备。 - Vest(安全背心):身体防护装备。 标注格式:YOLO格式,包含实例分割的多边形坐标和类别标签,适用于实例分割任务。 数据格式:来源于实际场景图像,适用于计算机视觉模型训练。 二、适用场景 工作场所安全监控系统开发:数据集支持实例分割任务,帮助构建能够自动识别工作人员个人防护装备穿戴状态的AI模型,提升工作环境安全性。 建筑与工业安全检查:集成至监控系统,实时检测PPE穿戴情况,预防安全事故,确保合规性。 学术研究与创新:支持计算机视觉在职业安全领域的应用研究,促进AI与安全工程的结合。 培训与教育:可用于安全培训课程,演示PPE识别技术,增强员工安全意识。 三、数据集优势 精准标注与多样性:每个实例均用多边形精确标注,确保分割边界准确;覆盖多种PPE物品及未穿戴状态,增加模型鲁棒性。 场景丰富:数据来源于多样环境,提升模型在不同场景下的泛化能力。 任务适配性强:标注兼容主深度学习框架(如YOLO),可直接用于实例分割模型开发,支持目标检测和分割任务。 实用价值高:专注于工作场所安全,为自动化的PPE检测提供可靠数据支撑,有助于减少工伤事故。
评论 2
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