不用写JS也可以制作精彩的跳动效果

最新推荐文章于 2025-05-19 16:47:35 发布
最新推荐文章于 2025-05-19 16:47:35 发布
阅读量1.1k 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： behavior 活动 javascript div up
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/zbjg/article/details/1497660
本文介绍了一种使用<marquee>元素替代JavaScript实现动态提示的方法。通过调整滚动速度和方向，可以创造出丰富的视觉效果，为用户提供一种轻松实现动态展示的新思路。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

        记得有一次为了作一个状态条提示用户，结果写的JS始终没有调试成功，后来忽然想到了活动字幕，当时非常郁闷自己僵化的思维。其实我们还是应该经常换换思维，找找别的路。
       今天突发奇想，作了几个<marquee>的组合，效果非常有趣。只要计算合适滚动速度和方向，还是可以组合出非常丰富的样式的。下面就是两个简单的例子：
<marquee scrolldelay="30"  direction="left"  style="width:350;height:200;"><marquee  direction="up" style="width:80;height:200;" scrolldelay="80"><div>活动文字</div></marquee></marquee>
活动文字

<marquee behavior="alternate"  direction="left"  style="width:350;height:200;"><marquee behavior="alternate"  direction="up" style="width:80;height:200;" ><div>活动文字</div></marquee></marquee>
活动文字

大家可以试着搞出更多的花样来，这比写javascript还是要方便许多！
zbjg
关注
EM算法
zyflhh1314的博客
04-26 1780
EM算法两步求解： E步：求期望（expectation） M步：求极大（maximization) EM 算法是一种求解最大似然估计的方法，通过观测样本，来找出样本的模型参数。 最大似然可以理解为最大可能性，最大似然估计是通过已知结果，估计参数的方法。 如果使用基于最大似然估计的模型，模型中存在隐变量的时候，就要用到EM算法去做估计。 举个例子，扔两枚硬币A、B，每次投掷一枚，分别做5组实验，每...
Expectation-Maximization Algorithm（EM算法）
cnzzs的博客
10-27 1415
EM算法(Expectation-Maximization Algorithm，期望最大化算法)是一种迭代优化算法，主要用于在含有隐变量(未观测变量)或不完全数据的概率模型中，估计参数的最大似然估计(Maximum Likelihood Estimation, MLE)或最大后验概率估计(Maximum A Posteri...
机器学习EM算法原理及推导
最新发布
m0_56699208的博客
05-19 786
在机器学习与统计推断中，我们经常会遇到“缺失数据”或“潜在变量”（latent variables）的情形：样本并非完全可观测，而部分信息被隐藏或丢失。这种情况下，直接对观测数据做极大似然估计（Maximum Likelihood Estimation, MLE）往往非常困难，因其对数似然函数通常是非凸、甚至没有封闭解的高维积分。期望—最大化（Expectation–Maximization, EM）算法正是在这种背景下应运而生。
【EM算法】EM（转）
weixin_34238642的博客
09-18 239
Jensen不等式 http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.html 回顾优化理论中的一些概念。设f是定义域为实数的函数，如果对于所有的实数x，，那么f是凸函数。当x是向量时，如果其hessian矩阵H是半正定的（），那么f是凸函数。如果或者，那么称f是严格凸函数。 Jensen不等式表述如下：       如果...
EM算法（Expectation Maximization Algorithm）详解
热门推荐
zhihua_oba的博客
06-27 11万+
EM算法（Expectation Maximization Algorithm）详解 主要内容 EM算法简介 预备知识 极大似然估计 Jensen不等式 EM算法详解 问题描述 EM算法推导 EM算法流程 EM算法优缺点以及应用 1、EM算法简介   EM算法是一种迭代优化策略，由于它的计算方法中每一次迭代都分两步，其中一个为期望步（E步），另一个为极大步（M步），所以算法被称...
EM算法（Expectation Maximization Algorithm）
nathan1025的博客
07-27 541
m~(u,sigma).u是均值，sigma是方差。 我们的方法是假设。首先假设一个模型参数θ，然后每个样本来自四川/东北的概率p(zi)就能算出来了，p(xi,zi)=p(xi|zi)p(zi)，而x|z=0服从四川人分布，x|z=1服从东北人分布，所以似然函数可以写成含有θ的函数，极大化它我们可以得到一个新的θ。新的θ因为考虑了样本来自哪个分布，会比原来的更能反应数据规律。有了这个更好的θ我...
EM算法（期望最大算法、Expectation Maximization Algorithm)
一般路过底层打工人的博客
10-23 1097
介绍了EM算法的实现方式以及定理推导，给出了EM算法的python实现代码
期望最大化算法（Expectation-Maximization Algorithm, EM Algorithm）
weixin_43156294的博客
07-30 554
期望最大化算法是一种强大而灵活的工具，专门设计用于处理含有隐变量的概率模型的参数估计问题。通过迭代地优化模型参数，EM算法能够在不确定性和不完全数据的环境中提供有效的解决方案。尽管存在局部最优和计算效率的挑战，但通过适当的初始化策略和算法改进，EM算法仍然是许多领域中不可或缺的算法之一。
Python-机器学习-EM算法
02-12
在机器学习领域，EM算法（Expectation-Maximization Algorithm）是一种强大的算法，主要用于含有隐变量的概率模型参数的极大似然估计，或者极大后验估计。EM算法的核心思想在于它通过迭代的方式，交替进行两步：E步...
EM Algorithm
weixin_33901843的博客
08-02 234
Expectation Maximization Algorithm EM算法和之前学的都不太一样，EM算法更多的是一种思想，所以后面用几个例子讲解，同时也会重点讲解GMM高斯混合模型。 ①极大似然估计 极大似然估计这里面用的比较多。假设我们想要知道我们学生身高的分布，首先先假设这些学生都是符合高斯分布我们要...
【机器学习】EM算法
酱懵静的博客
11-23 2582
EM算法的思路如下： 1. 给 𝜃~𝐴~ 、 𝜃~𝐵~ 一个初始值； 2. 分别计算每组实验在抛掷硬币A、硬币B的情况下所得概率，并根据该概率值去分别计算两硬币正面朝上次数的期望值。因此，此步骤也被称为“E过程”； 3. 分别用第 2 步中计算的每组期望值来计算 𝜃~A~^(𝑖)^、𝜃~B~^(𝑖)^； 4. 将计算得到的 𝜃~A~^(𝑖)^、𝜃~B~^(𝑖)^ 回代第 2、3 步，并不断迭代得到 𝜃~A~^(𝑖+1)^、𝜃~B~^(𝑖+1)^ , 直至收敛（或到一定精度）。
EM (Expectation-Maximization) Algorithm
一地鸡毛
09-11 1039
EM (Expectation-Maximization) Algorithm 来自于：机器学习 作者：钱烽 2014-09-09 11:25 标签： 算法机器学习数据挖掘EM算法
EM（Expectation-Maximization）算法
杂的文
11-05 1万+
本文对EM（Expectation-Maximization）算法进行了深入浅出的讨论。对于EM算法使用情景、为什么需要EM算法、为什么EM算法如此使用、EM算法使用的合理性等进行了详尽的讨论，相信读者会有更深入透彻的理解。
最大熵模型与EM算法及python实现
u014033218的专栏
07-17 2487
统计学习基础回顾 1. 后验概率 2 2. . 极大似然法 (MLE)  信息论基础 1. （互）信息 2. 熵、条件熵 3. 交叉熵、相对熵  最大熵模型 1 1 . 凸优化理论推导 Maxent 2. 与 MLE 的关系  EM 算法 1 1 . GMM 实例 2. MLE 推导 我希望自己能通俗地把它理解或者说明白，但是，EM这个问题感觉真的不太好用通俗的语言去
Expectation–Maximization Algorithm
qq_17213753的博客
11-12 664
本文主要介绍EM算法的推导思路。
【机器学习】EM算法（Expectation-Maximization算法）详解
m0_53700832的博客
07-19 3312
EM算法就是在不断猜测和改进的过程中，逐步优化模型参数，使其更好地解释数据。在处理带有隐藏变量或不完全数据的问题时，它是一个非常有效的工具。一个函数fff被称为凸函数，如果对于任意的x1x2x_1, x_2x1​x2​和λ∈01λ∈01fλx11−λx2≤λfx11−λfx2fλx1​1−λx2​≤λfx1​1−λfx2​。
机器学习——EM算法
weixin_41676930的博客
05-02 418
机器学习——EM算法EM算法EM算法推导 EM算法是一种迭代算法，用于含有隐变量（hidden variable）的概率模型参数的极大似然估计，或极大后验概率估计。EM算法的每次迭代由两步组成：E步，求期望（expcetation）；M步，求极大（maximization）。所以这一算法称为期望极大算法（expectation maximization algorithm），简称EM算法。EM算法与初值的选择有关，选择不同的初值可能得到不同的参数估计值。EM算法不能保证找到全局最优值。 EM算法 概率模型有
写一段GMM-EM算法的伪代码
09-06
### 回答1： GMM-EM算法的伪代码：// 迭代k次 for (k=0; k<K; k++) { // E步骤 // 计算每个样本属于每个模型的概率 for (i=0; i<N; i++) { for (j=0; j<M; j++) { p[i][j] = pi[j]*Gaussian(x[i],mu[j],sigma[j]); } } // 计算每个样本属于每个模型的期望值 for (i=0; i<N; i++) { for (j=0; j<M; j++) { q[i][j] = p[i][j]/sigma[j]; } } // M步骤 // 更新模型参数 for (j=0; j<M; j++) { pi[j] = pi[j] + q[i][j]; mu[j] = mu[j] + q[i][j]*x[i]; sigma[j] = sigma[j] + q[i][j]*(x[i] - mu[j])*(x[i] - mu[j]); } } ### 回答2： GMM-EM（高斯混合模型期望最大化）算法是一种用于估计高斯混合模型参数的迭代优化算法。下面是GMM-EM算法的伪代码： 输入：观测数据X，高斯分量个数K 输出：高斯混合模型的参数 1. 初始化高斯混合模型参数： - 初始化每个高斯分量的均值向量mu_k，协方差矩阵sigma_k和混合系数pi_k - 使用随机值或者其他预设的初始值进行初始化 2. 迭代优化： - 重复以下步骤，直到收敛： 1. Expectation 步骤： - 计算每个样本属于每个高斯分量的后验概率gamma(z_{nk})，即样本x_n由高斯分量k生成的概率 - 使用当前的参数值计算gamma(z_{nk})，即根据当前参数估计后验概率 2. Maximization 步骤： - 更新均值向量mu_k： - 对于每个高斯分量k，计算新的均值mu_k： - mu_k = (sum_n(gamma(z_{nk})*x_n)) / (sum_n(gamma(z_{nk}))) 其中，sum_n表示对所有样本求和 - 更新协方差矩阵sigma_k： - 对于每个高斯分量k，计算新的协方差矩阵sigma_k： - sigma_k = (sum_n(gamma(z_{nk})*(x_n - mu_k)*(x_n - mu_k).T)) / (sum_n(gamma(z_{nk}))) 其中，sum_n表示对所有样本求和，.T表示矩阵的转置操作 - 更新混合系数pi_k： - 对于每个高斯分量k，计算新的混合系数pi_k： - pi_k = sum_n(gamma(z_{nk})) / N 其中，sum_n表示对所有样本求和，N为样本总数 3. 返回最终的高斯混合模型参数 GMM-EM算法通过交替进行Expectation步骤和Maximization步骤，迭代地优化高斯混合模型的参数，直到收敛到最优参数。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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