Grid Layout

Grid Layout

.wrapper {
  display: grid;                                        //创建一个网格容器,所有容器子结点自动成为容器项目,grid: 生成块级网络inline-grid: 生成行内网格,sub grid: 如果容器本身是网格项,用来继承父容器的行列大小


  grid-template-columns: repeat(3, 1fr);                                 // grid-template指网络板, grid-template-columns:称作网络模板列,与网格模板区域(grid-template-areas)、网格模板行(grid-template-rows)两个属性共同显示定义一个网格容器。任何由网格模板区域定义的行或列但没有在网格模板行/网格模板列中定义尺寸,则由grid-auto-rows或grid-auto-columns属性来确定大小。grid-template-columns属性指定网格列的轨道列表。repeat()接受两个参数:第一个参数定义网格轨道应该重复的次数,第二个参数定义每个轨道的尺寸。如果你的定义中包含重复的部分,你可以使用 repeat() 表示法进行精简,fr是一个弹性尺寸单位,可以帮助我们创建一个弹性的网格轨道。fr 单位允许你将一个轨道大小设置为网格容器内自由空间的一小部分。

  grid-gap: 10px;                                             //指定网格线的大小,也可以说是网格子项之间的间距。且间隔仅仅作用在网格子项之间,不在容器边缘,grid-gap是grid-row-gap和grid-column-gap两个属性的缩写,如果它指定了两个值,那么第一个值是设置grid-row-gap的值,第二个值设置grid-column-gap的值。如果只设置了一个值,表示行和列的间距相等,也就是说grid-row-gap和grid-column-gap的值相同。注意:grid-gap只能创建列与列或行与行之间的间距,但不能创建列和行与网格容器边缘的间距。间距可以设置任何非负值,长度值可以是px、%、em等单位值。

  grid-auto-rows: minmax(100px, auto);                               //grid-auto-rows属性指定隐式创建的网络行跟踪的大小。 自动生成隐式网格轨道(行和列),当你定位网格项超出网格容器范围时,将自动创建隐式网格轨道,网格最小卫100;

}
.one {
  grid-column: 1 / 3;                                        //定义.one从网格线第一行开始到第二行结束

  grid-row: 1;                                              //定义.one从网格线第一行开始到第二行结束

//grid-row是grid-row-start和grid-row-end的简写。通过贡献一条线,一个跨度,或全无(自动),以它的网格位置,从而指定的直列开始和直列边缘指定网格行内的网格项的大小和位置其网络面积。如果只提供一个值,则指定了grid-row-start值;如果提供两个值,第一个是grid-row-start的值,第二个是grid-row-end的值,两者之间必须要用“/”隔开。(默认值为auto)
  background: lavender;                                    //背景色:淡紫色;
}

.two { 
  grid-column: 2 / 4;                             //定义.one从网格线第二列开始到第四列结束
  grid-row: 1 / 3;                          //定义.one从网格线第一行开始到第三行结束
  background: lavender;/                                  /背景色:淡紫色;
}
.three {
  grid-column: 1;                               //定义.one网格线第一列

grid-row: 2 / 5;                             //定义.one从网格线第二行开始到第五行结束
}
.four {
  grid-column: 3;                       //定义.one网格线第三列
  grid-row: 3;                         //定义.one网格线第三行
}
.five {
  grid-column: 2;                               //定义.one网格线第二列

  grid-row: 4;                              //定义.one网格线第四列
}
.six {
  grid-column: 3;                               //定义.one网格线第三列
  grid-row: 4;                               //定义.one网格线第四列
}

转载于:https://www.cnblogs.com/axl1017/p/9749704.html

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 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