WebStorm2017.1配置sass编译器方式

本文详细介绍了如何在Windows环境下安装Ruby及Sass,并配置WebStorm进行Sass预编译样式文件的实时编译。文章包括Ruby安装、Sass安装、使用淘宝镜像加速、WebStorm中Sass监视器的具体配置步骤。

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

因为想做一个sass预编译样式的项目,所以开始寻找sass文件的file watch配置方式
在网上搜到的基本都是先安装ruby之后安装sass的方式
但经过几次尝试发现大部分都存在一些问题,也可能是因为时间过了比较久,很多镜像都迁移了
/*********↓↓配置方式部分↓↓**********/

  1. 安装ruby,方式有很多,可以从百度搜索或进入http://www.ruby-lang.org/zh_tw/documentation/installation/选择所需要的安装包
  2. 安装过程中记得勾选 Add Ruby executables to your PATH选项
  3. 打开小黑框(win+r==>cmd)输入ruby -v 会出现如下显示则表示安装成功,
    这里写图片描述

  4. 因为网络环境的问题,从gem原有的路径下载sass很困难,在网上找到的很多方法中推荐通过淘宝镜像安装sass,但现在淘宝镜像已经迁移到了ruby-china.org所以我们先要更改gem的sources
    在命令行输入 gem sources -a http://gems.ruby-china.org/
    将镜像下载地址更改,
    这里写图片描述
    如果成功更改会出现如上图显示

  5. 命令行输入 gem install sass 安装sass
    安装成功后会显示sass版本等信息
    安装完成后命令行输入 sass -v
    这里写图片描述
    显示如上图所示,现在sass已经安装完毕

  6. 下面开始配置webstorm的file watch
    File–>Setting–>Tools–>File Watchers
    点击添加(+),选择sass监视器
    配置如下图
    配置图
    Program中选择ruby安装路径下的bin文件夹下的sass.cmd文件
    同文件夹下还有scss.cmd请勿选错
    Output paths to refresh中内容为

$FileNameWithoutExtension$.css:$FileNameWithoutExtension$.css.map

$FileNameWithoutExtension$.css.map的作用为生成.map文件,通常用于压缩后浏览器显示样式在源文件中的具体信息,如不需要.map文件删除即可)
Other Options 中不要勾选 Create output file stdout选项
之后点击确定即可
webstorm会自动生成.map文件和.css文件
效果如下
这里写图片描述
sass配置到此完成…
/****↑↑配置方式部分↑↑*****/
这个配置方法只是本人自己参考网上的方法尝试出来的,又不合理的地方还请各位大神指正

### 使用Transformer模型进行图像分类的方法 #### 方法概述 为了使Transformer能够应用于图像分类任务,一种有效的方式是将图像分割成固定大小的小块(patches),这些小块被线性映射为向量,并加上位置编码以保留空间信息[^2]。 #### 数据预处理 在准备输入数据的过程中,原始图片会被切分成多个不重叠的patch。假设一张尺寸为\(H \times W\)的RGB图像是要处理的对象,则可以按照设定好的宽度和高度参数来划分该图像。例如,对于分辨率为\(224\times 224\)像素的图像,如果选择每边切成16个部分的话,那么最终会得到\((224/16)^2=196\)个小方格作为单独的特征表示单元。之后,每一个这样的补丁都会通过一个简单的全连接层转换成为维度固定的嵌入向量。 ```python import torch from torchvision import transforms def preprocess_image(image_path, patch_size=16): transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), # 假设目标分辨率是224x224 transforms.ToTensor(), ]) image = Image.open(image_path).convert('RGB') tensor = transform(image) patches = [] for i in range(tensor.shape[-2] // patch_size): # 高度方向上的循环 row_patches = [] for j in range(tensor.shape[-1] // patch_size): # 宽度方向上的循环 patch = tensor[:, :, i*patch_size:(i+1)*patch_size, j*patch_size:(j+1)*patch_size].flatten() row_patches.append(patch) patches.extend(row_patches) return torch.stack(patches) ``` #### 构建Transformer架构 构建Vision Transformer (ViT),通常包括以下几个组成部分: - **Patch Embedding Layer**: 将每个图像块转化为低维向量; - **Positional Encoding Layer**: 添加绝对或相对位置信息给上述获得的向量序列; - **Multiple Layers of Self-Attention and Feed Forward Networks**: 多层自注意机制与前馈神经网络交替堆叠而成的核心模块; 最后,在顶层附加一个全局平均池化层(Global Average Pooling)以及一个多类别Softmax回归器用于预测类标签。 ```python class VisionTransformer(nn.Module): def __init__(self, num_classes=1000, embed_dim=768, depth=12, num_heads=12, mlp_ratio=4., qkv_bias=False, drop_rate=0.): super().__init__() self.patch_embed = PatchEmbed(embed_dim=embed_dim) self.pos_embed = nn.Parameter(torch.zeros(1, self.patch_embed.num_patches + 1, embed_dim)) self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) dpr = [drop_rate for _ in range(depth)] self.blocks = nn.Sequential(*[ Block( dim=embed_dim, num_heads=num_heads, mlp_ratio=mlp_ratio, qkv_bias=qkv_bias, drop=dpr[i], ) for i in range(depth)]) self.norm = nn.LayerNorm(embed_dim) self.head = nn.Linear(embed_dim, num_classes) def forward(self, x): B = x.shape[0] cls_tokens = self.cls_token.expand(B, -1, -1) x = self.patch_embed(x) x = torch.cat((cls_tokens, x), dim=1) x += self.pos_embed x = self.blocks(x) x = self.norm(x) return self.head(x[:, 0]) ```
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