WebStorm2017.1配置sass编译器方式

最新推荐文章于 2025-04-01 13:53:25 发布
原创 最新推荐文章于 2025-04-01 13:53:25 发布 · 945 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#ruby #编译器 #webstorm #sass

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

自然语言处理之文本分类：Transformer在文本分类中的应用
zhubeibei168的博客
05-19 817
文本摘要是生成文本的简短版本，保留其主要信息。这在新闻文章、学术论文等领域非常有用。Transformer模型是自然语言处理领域的一个重要突破，由Vaswani等人在2017年的论文《Attention is All You Need》中提出。它摒弃了传统的循环神经网络（RNN）和卷积神经网络（CNN）的序列依赖性，引入了自注意力机制（Self-Attention），使得模型能够并行处理输入序列，大大提高了训练效率。
STM32八种I/O口模式
Yin_w的博客
03-31 3484
作为两年嵌入式软件攻城狮，还没仔细去理解过STM32的GPIO的八种使用模式，俗话说嵌入式软硬件不分家，软件不懂硬件，出了问题有时候只能拿“抓虾”，今天有点时间，特此总结一下学过的有关STM32的GPIO模式的硬件知识。
Vision Transformer实战：如何将Transformer应用于图像分类
最新发布
像风一样自由
04-01 1582
传统图像分类任务由CNN主导，但Transformer凭借其**全局建模能力**，在ImageNet等基准任务中刷新了记录。2020年，Vision Transformer（ViT）的提出标志着Transformer正式进军CV领域。本文将以实战为导向，详解如何用纯**Transformer实现图像分类**，并提供完整PyTorch代码实现。
使用transformer进行图像分类
weixin_40920183的博客
08-15 1万+
文章目录1、导入模型2、定义加载函数3、定义批量加载函数4、加载数据5、定义数据预处理及训练模型的一些超参数6、定义数据增强模型7、构建模型7.1 构建多层感知器（MLP）7.2 创建一...
深度学习案例之基于 CNN 的 MNIST 手写数字识别
fenglepeng的博客
09-07 6967
一、模型结构 本文只涉及利用Tensorflow实现CNN的手写数字识别,CNN的内容请参考:卷积神经网络(CNN) MNIST数据集的格式与数据预处理代码input_data.py的讲解请参考 :Tutorial (2) 二、实验代码 # -*- coding: utf-8 -*- import tensorflow as tf # 导入input_data用于自动下载和安装MNIST数据集 from tensorflow.examples.tutorials.mnist import inpu
transformer在图像分类上的应用以及pytorch代码实现
热门推荐
qq_37937847的博客
04-09 5万+
文章目录1.对transformers的简单介绍1.1序列数据的介绍（seq2seq）1.2self-Attention1.3 transformer的完整结构2.transformers在图像分类上的pytorch代码2.1加载cifar10数据集2.2构建transformers模型2.2.1构建图像编码模块 Embeddings2.2.3构建前向传播神经网络模块2.2.4构建编码器的可重复利用Block模块2.2.5构建Encoder模块2.2.6 构建完整的transformers2.2.7构建Vi
STM32 IO口的八种模式
冉冰的小窝
05-12 5811
【冉冰的成长日记007】 STM32 的 IO 口可以由软件配置成如下 8 种模式： 1、输入浮空 2、输入上拉 3、输入下拉 4、模拟输入 5、开漏输出 6、推挽输出 7、推挽式复用功能 8、开漏复用功能 每组IO口包含7个寄存器。 分别是 - GPIOx_CRL：端口配置低寄存器 - GPIOx_CRH：端口配置高寄存器 - GPIOx_IDR：端口输入寄存器 - GPIOx_ODR：端口输出寄存器 GPIOx_BSRR：端口位设置/清除寄存器 GPIOx_BRR：端口位清除寄存器 GPIOx_L
Swin Transformer 实现图像分类
05-29
在本项目中，你将找到一个完整的Swin Transformer实现，用于图像分类任务。项目包括以下文件： 1. `class_indices.json`：这是一个字典文件，它将类别ID与对应的类别名称映射起来，对于理解和处理预测结果非常有用...
VIT(vision transformer)实现图像分类
05-29
VIT(vision transformer)实现图像分类，是将transformer首次应用于CV(计算机视觉)领域，该资源包含所有源代码，拿走技能运行跑通，包含数据集和训练好的权重，分类精度高达99%以上。
使用swin_transformer做自己数据集的图像分类
04-30
使用的数据集共有5种类别，使用Swin-T预训练模型进行训练。
【STM32】浅析8种IO口模式
zi__li的博客
04-12 3234
Stm32上的IO口有8种模式可以选择，分别为： 四种输入模式： （1）浮空输入 （2）输入上拉 （3）输入下拉 （4）模拟输入 四种输出模式： （5）开漏输出 （6）推挽输出 （7）复用开漏输出 （8）复用推挽输出 下...
transformer的具体应用：图像分类
m0_74096414的博客
12-07 2786
在上面的结构图中可以看到，输入Encoder的最左侧部分添加了一个0*这个Token，这个就是额外添加的一个[class]token，单独用来处理类别信息，经过Encoder之后，需要单独将这个Token再提取出来，输入到MLP Head之中再输出分类结果。这一步的操作在论文中是直接采用切割的处理办法，但是在后面的代码实现中，采用了一种更巧妙的解决思路，就是利用一个卷积核大小为16x16，步距为16，卷积核个数为768的卷积层来进行实现。在Transformer中，位置编码的作用是为了记忆输入的语序信息。
[Python]基于CNN的MNIST手写数字识别
weixin_33887443的博客
06-25 3257
目录 一、背景介绍 1.1 卷积神经网络 1.2 深度学习框架 1.3 MNIST 数据集 二、方法和原理 2.1 部署网络模型 （1）权重初始化 （2）卷积和池化 （3）搭建卷积层1 （4）搭建卷积层2 （5）搭建全连接层3 （6）搭建输出层 2.2 训练和评估模...
基于CNN的Mnist手写数字识别（Pytorch）
qq_47564006的博客
06-27 1204
GPU版本Pytorch实现基于CNN手写数字识别，测试集准确率99.29%，含数据预处理与模型保存
深度学习：使用卷积神经网络CNN实现MNIST手写数字识别
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
08-09 5596
卷积神经网络是一种多层、前馈型神经网络。从功能上来说，可以分为两个阶段，特征提取阶段和分类识别阶段。特征提取阶段能够自动提取输入数据中的特征作为分类的依据，它由多个特征层堆叠而成，每个特征层又由卷积层和池化层组成。处在前面的特征层捕获图像中局部细节的信息，而后面的特征层能够捕获到图像中更加高层、抽象的信息。MNIST数据集是美国国家标准与技术研究院收集整理的大型手写数字数据库,包含60,000个示例的训练集以及10,000个示例的测试集。其中的图像的尺寸为28*28。
深度学习——CNN实现MNIST手写数字的识别
尘心平的博客
08-01 2万+
本篇博客记录了学习K同学啊的深度学习100例的第一例的学习过程,主要介绍了CNN神经网络的基本知识,使用方法及使用流程, 简单介绍了数据集的归一化和标准化 激活函数 优化器 损失函数 metrics等配置............
基于视觉 Transformer（ViT）进行图像分类
Warmer_Sweeter
11-20 2692
点击下方卡片，关注“小白玩转Python”公众号引言近年来，Transformer 架构彻底改变了自然语言处理（NLP）任务。视觉Transformer（ViT）将这一创新更进一步，将变换器架构适应于图像分类任务。本教程将指导您使用ViT对花卉图像进行分类。先决条件要跟随本教程，您应该具备以下基础知识：Python编程深度学习概念TensorFlow和Keras数据集概览在本教程中，我们将使用一个...
【深度学习】使用transformer进行图像分类
fengdu78的博客
09-10 1万+
文章目录1、导入模型2、定义加载函数3、定义批量加载函数4、加载数据5、定义数据预处理及训练模型的一些超参数6、定义数据增强模型7、构建模型7.1 构建多层感知器（MLP）7.2 创建一...
基于CNN的MINIST手写数字识别项目代码以及原理详解
Oona_01的博客
05-05 871
其中分子的zi是多分类中的第i类的输出值，分母将所有类别的输出值求和，使用指数函数来将其转换为概率，最终将神经网络上一层的原始数据归一化到[ 0 , 1 ] [0,1][0,1]，使用指数函数的原因是因为上一层的数据有正有负，所以使用指数函数将其变为大于0的值。首先我们需要自己手写一个数字。因为在深度学习中，训练的数据通常数量十分巨大，不能一次性的把全部数据都传到模型中进行训练，所以要利用数据加载，将源数据的顺序打乱，进行分批和预处理后，最后将处理好的数据传给模型进行训练，这样才能保证模型训练的准确性。
transformer用于图像分类
02-24
### 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

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