墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2.3k累计阅读
2.4k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
本博会不断第更新。。。。
1、bootstrap其实是bootstrap+jquery，现在jquery成为了javascript的标准库，很少有组件不依赖于它。
2、一些特殊符号很有用，可以当做页面的功能小图标。比如：删除（叉号）、增加（加号）、确定（对勾）等。直接添加标签<i class="glyphicon glyphicon-XXX"><i>就可以。
3、无论bootstrap或bootstrap-table，直接使用jquery元素就能实现bootstrap对象的方法调用。如：$("#fileTab a:first").tab('show')完成show方法调用。
4、$.fn.foo=function(){....} ，就是给jquery添加prototype方法。
5、
Bootstrap中文手册：全面掌握Bootstrap框架
Bootstrap，作为最流行的前端开发框架之一，已经成为了前端开发者手中的一张王牌。它由Twitter的设计师和开发人员创建，其目的是为了更快地开发一个具备响应式特性的、跨浏览器的Web项目。Bootstrap不仅提供了一套丰富的界面组件，还提供了一整套的工具来优化开发流程。使用Bootstrap可以极大地减少项目的初始开发时间，同时保证界面在不同设备和浏览器上的一致性。Bootstrap的核心功能包括：- 预定义的CSS样式和组件类，用于快速搭建页面结构。
基于Bootstrap 的网页html css 登录页制作成品
Bootstrap是一个用于快速开发Web应用程序和网站的前端框架，由Twitter的设计师Mark Otto和Jacob Thornton合作开发。它基于HTML、CSS和JavaScript，旨在通过提供一系列预定义的CSS类、JavaScript插件和HTML模板，简化Web开发过程，使开发者能够快速创建美观且功能丰富的网页。HTML代码构成了网页的基础结构。编写HTML时，应关注语义化标签、链接和图像、表格和列表的使用，以创建清晰、易于导航的网页。HTML完成后，使用CSS添加风格和色彩。
Bootstrap中文手册-v4.3.1.pdf
Bootstrap v4手册，中文，PDF格式。 来自https://www.jb51.net/books/712205.html
Bootstrap 的基本使用
一、BootStrap 简介 BootStrap是目前受欢迎的前端框架之一，是基于HTML，CSS，JavaScript的，它简洁灵活，使web开发更加快捷 中文官网：http://www.bootcss.com/ 官网：http://getbootstrap.com/ 推荐：https://v3.bootcss.com/ 1.优点 2. 版本 二、 BootStrap 使用 控制权在框架本身，使用者要安装框架所规定的某种规范进行开发 BootStrap使用四部曲： 2.1 创建文件夹结构 2.2
XGBoost实战：从原理到调参，手把手教你提升模型性能（附Python代码）
本文深入解析XGBoost核心原理，并提供一套从数据准备、系统性调参到生产部署的完整实战指南。通过剖析目标函数、正则化项与分裂算法，帮助读者理解参数背后的数学逻辑，并利用交叉验证、早停法及自动化工具（如Optuna）高效提升模型性能。文中附有详尽的Python代码示例，涵盖类别特征处理、缺失值应对、不平衡数据调整及模型可视化等高级技巧。
从MC到DC：三维重建算法的核心原理与实战对比
本文深入对比了三维重建领域两大经典算法Marching Cubes（MC）与Dual Contouring（DC）的核心原理与实战表现。MC算法原理直观、实现简单，但存在特征丢失和二义性问题；DC算法通过求解二次误差函数（QEF）和利用法向量信息，能更好地保留模型的尖锐特征，但计算更复杂。文章结合医学影像处理实例，为开发者根据速度、精度和特征保真度需求选择合适算法提供了清晰指南。
Bootstrap简单管理模板使用手册
Bootstrap简单管理模板使用手册 一、项目目录结构及介绍 bootstrap-simple-admin-template 是一个基于HTML5、CSS和JavaScript的简洁管理面板模板，专为后端应用、Web与移动应用、SaaS应用、网站后台以及电子商务管理门户设计。以下是其基本的目录结构及每个部分的简介： bootstrap-simple-admin-template/ │ ├── a...
全覆盖路径规划开源项目Clean-robot-turtlebot3关键函数解析（上）
本系列文章主要介绍全覆盖路径规划开源项目Clean-robot-turtlebot3的相关内容，包含如下四篇文章，分别介绍了开源项目Clean-robot-turtlebot3流程的概括总结、ROS坐标系常用坐标及其变换、Clean-robot-turtlebot3关键函数解析等内容。
Bootstrap-wysihtml5 使用手册
本教程基于 [jhollingworth/bootstrap-wysihtml5](https://github.com/jhollingworth/bootstrap-wysihtml5) 开源项目。请注意，此仓库可能已不再维护，建议参考其他最新版本或相似功能的库如 bootstrap3-wysihtml5。 ### 目录结构概览 该仓库的原始结构可能包含以下基本部分（考虑到开源项目的发展，...
闲鱼爬虫实战：模拟手机端破解反爬策略，爬取指定商品搜索数据，爬取闲鱼搜索指定商品（需手机端模拟）o 技术点：抓包分析、cookie与token
技术点作用抓取手机 App 请求，分析 API 结构、Header、参数加密情况requestsPython 中最常用的 HTTP 库，用于发送模拟请求Session 对象自动管理 Cookie，保持会话User-Agent & 设备特征模拟手机型号、系统版本，绕过服务端检测闲鱼部分接口存在签名，需要逆向或复用有效 Token多线程/异步提高爬取效率（需节制，避免封 IP）解析 HTML 或 JSON 数据注意：闲鱼的接口加密程度中等偏上，部分接口存在动态签名（如x-signx-mini-wua。
【Dify】知识库智能检索应用
本文介绍了一个基于大语言模型的知识库检索系统，实现从自然语言提问到智能回答的自动化流程。该系统通过知识检索节点定位相关信息，利用重排序模型优化结果，最后由大语言模型生成自然语言答案。核心模型包括InternLM2-7B和BCE重排序模型。工作流程包含输入问题、检索重排序、智能生成和答案输出四个阶段，适用于企业知识管理、客户支持、教育培训等多种场景，能显著提升信息检索效率和准确性。文章还提供了相关开发文档链接，涵盖AIGC工具平台搭建、常见问题解决等内容。
will_paginate-bootstrap 使用手册
will_paginate-bootstrap 使用手册 1. 项目目录结构及介绍 bootstrap-ruby/will_paginate-bootstrap/ ├── example # 示例应用目录，包含演示如何使用的代码示例 │ └── ... ├── lib # 核心库文件夹，存放gem的主要逻辑实现 │ ├── will_...
D16: OpenClaw + Notion API：知识管理新玩法
本文介绍了如何利用OpenClaw连接Notion API构建自动化知识管理系统。文章首先分析了传统知识管理的痛点，包括信息分散、更新不及时等问题，并对比了Notion与其他工具在API完整性、结构化程度等方面的优势。接着详细说明了Notion API的获取和授权流程，并设计了包含项目知识库、技术决策库和会议纪要库的三层架构系统。最后通过会议纪要自动归档的实战案例，展示了如何通过YAML配置实现从飞书会议到Notion的自动化知识沉淀流程。该方案能有效解决团队知识管理中的信息碎片化问题，提升协作效率。
Bootstrap 响应式标签（Responsive Tabs）使用手册
Bootstrap 响应式标签（Responsive Tabs）使用手册 该项目bootstrap-responsive-tabs是基于Bootstrap的一个扩展，旨在实现响应式的选项卡组件，当屏幕尺寸变小时自动转换成手风琴样式。以下是详细的指南，包括项目的关键组成部分解析。 1. 项目目录结构及介绍 假设您已经克隆了此GitHub仓库，项目的典型目录结构可能如下所示： bootstrap-re...
从零开始学习CANoe（十六）—— Graphics
Graphics是一种以时间轴为横坐标，符号值为纵坐标的显示分析方法，相对于Trace来说，更直观的观察出信号的跳变
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
django-bootstrap3-datetimepicker 使用手册
django-bootstrap3-datetimepicker 使用手册 欢迎来到 django-bootstrap3-datetimepicker 的安装与使用指南。本项目旨在提供一个与Bootstrap 3兼容的日期时间选择器组件，便于在Django项目中集成。以下是关键模块的详细介绍： 1. 项目目录结构及介绍 由于未直接提供具体的目录结构信息，这里基于常规的Python Django扩展...
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
Bootstrap Magnify 插件使用手册
Bootstrap Magnify 插件使用手册 一、项目目录结构及介绍 本项目，Bootstrap Magnify，是一个轻量级的JavaScript插件，专为增强作品集和图像画廊而设计。下面是其基本的目录结构： bootstrap-magnify/ ├── css/ # 存放CSS样式文件 │ └── bootstrap-magnify.min.css ├──...
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
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');```[](https://bitdeli.com/free "Bitdeli Badge")
Bootstrap的使用手册及学习笔记
Bootstrap的使用手册及学习笔记 Bootstrap是基于HTML5和CSS3开发的用于前端开发的工具包。关于Bootstrap的介绍和下载，大家可以去搜索查看。Bootstrap使用的某些HTML元素和CSS属性需要文档类型为HTML5 的文件类型。因此这一文档类型必须出现在项目的每个页面的开始部分： 2 3 ... 4
Bootstrap 4 SASS & Gulp 4 启动模板使用手册
Bootstrap 4 SASS & Gulp 4 启动模板使用手册 本指南将引导您快速了解并使用 JayeshLab 的 Bootstrap 4 SASS Gulp 4 启动模板，该模板旨在简化基于Bootstrap 4.5.2的前端开发流程，集成SASS预处理器、Gulp任务管理器、Font Awesome以及BrowserSync实时重载功能。 1. 目录结构及介绍 以下是项目的基本...
Bootstrap Treeview 开源项目使用手册
**Bootstrap Treeview** 是一个简洁而优雅的解决方案，用于在利用Twitter Bootstrap特性的同时展示层次化树状结构。以下是此项目的基本目录布局及其内容概览： ``` jonmiles/bootstrap-treeview ├── dist # 分发目录，包含了压缩后的CSS和JS文件，准备部署使用。 ├── public ...
fileinput 时间_bootstrap-fileinput使用手册
一、准备1、插件下载地址：https://github.com/kartik-v/bootstrap-fileinput/ 下载后的压缩包解压文件夹内容如下：js：插件核心js代码，引用fileinput.min.js/fileinput.js即可，默认插件语言为英文，如需要中文需要引用js/locales/zh.js(其他语言引用相应的js文件)js/plugins:相关辅助插件，piexif....
Bootstrap3 CDN 使用手册
一、一般功能 <link href="https://cdn.bootcss.com/bootstrap/3.3.7/css/bootstrap.css" rel="stylesheet"> <script src="https://cdn.bootcss.com/bootstrap/3.3.7/js/bootstrap.js"></scrip...
bootstrapt学习指南_Bootstrap的使用手册及学习笔记
html>23...4HTML中定义的所有标题标签,从到都是可用的。Bootstrap定义的全局font-size是14px，line-height是20px。这些样式应用到了和所有的段落上。另外，对(段落)还定义了1/2行高(默认为10px)的底部外边距(margin)属性。在使用Bootstrap之前必须要将bootstrap.css或者bootstrap.min.css(压缩版)引入...
关于如何快速入门Bootstrap！
目前本人还在入门学习中，还有很多东西要像各位大佬学习。 今天在Bootstrap官网上下载了编译版安装包，并看了使用手册，基本上对Bootstrap有一定的了解，但还要不断去熟练它！里面编译好的代码，使得开发人员在开发WEB框架变得更简单，更容易上手，这也为开发人员节约了大量的时间去完善其他...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
954
扫一扫
