HarmonyOS鸿蒙最新【前端寻宝之路】总结学习使用CSS的引入方式,工程商务面试问题

深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!


img
img

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上鸿蒙开发知识点,真正体系化!

由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新

需要这份系统化的资料的朋友,可以戳这里获取

CSS

  • 层叠样式表(Cascading Style Sheets)
👉CSS能够对网页中元素位置的排版进行像素级精确控制,实现美化页面的效果,能够做到页面的样式和结构分离.
  • css控制页面的展示效果
  • html 决定页面结构
Document

hello world

在这里插入图片描述

Document

hello world

在这里插入图片描述

Document

hello world

Aileen

你好

在这里插入图片描述


选择器+{一条/N条声明}

  • 选择器(selector)决定针对谁修改使用:区分键值对,使用:区分键(property)和值(value)
  • 声明决定修改啥
  • 声明的属性是键值对,
  • selector{ property:value }
    在这里插入图片描述

CSS引入方式

内部样式表

  • 将css嵌套到html中 (通过style)标签嵌套
  • 在这里插入图片描述

行内样式表

在这里插入图片描述

⚠ 行内样式表的优先级比内部样式表优先级高.

外部样式表

  • 1.创建一个css文件
  • 2.使用 link 标签引入 css
  • <link rel="stylesheet" href="/path/example.css">
Document

hello css

深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!


img
img

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上鸿蒙开发知识点,真正体系化!

由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新

需要这份系统化的资料的朋友,可以戳这里获取

蒙开发知识点,真正体系化!**

由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新

需要这份系统化的资料的朋友,可以戳这里获取

  • 3
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 在强化学习中,迷宫问题是一个经典的示例,用于解释强化学习的基本原理。在实现深入浅出强化学习:原理入门中,作者在第35页介绍了如何构建一个简单的迷宫,并使用表格型方法来解决寻宝问题。 首先,我们需要构建一个迷宫环境。迷宫可以表示为一个方格矩阵,其中包含障碍物、奖励以及终点位置。通过定义迷宫的尺寸以及具体的障碍物、奖励和终点位置,我们可以创建一个迷宫环境。 接下来,我们可以使用表格型方法解决寻宝问题。在表格型方法中,我们使用一个表格来表示智能体的价值函数或者Q函数。每个表格项表示在某个状态下采取某个动作的预期回报。 在开始之前,我们需要初始化所有表格项的值为0或者任意随机值。然后可以通过迭代更新表格中的项来得到更准确的估计值。 在每个时间步中,智能体会根据当前状态选择一个动作,并执行它。执行动作后,智能体会观察到一个新的状态以及相应的奖励。根据观察到的奖励和下一个状态,智能体可以使用贝尔曼方程来更新表格中的值。 重复这个过程直到达到预定的终止条件。通过不断迭代更新表格中的值,智能体可以学习到最优策略,使得它能够在迷宫中找到最有利的路径以获取最大的总回报。 通过实现这个迷宫构建和利用表格型方法解决寻宝问题的过程,我们可以更好地理解强化学习的原理和应用。这个简单的示例可以作为学习和研究强化学习的起点,为进一步深入探索提供基础。 ### 回答2: 迷宫是强化学习中经常用来模拟环境的一种方式。通过构建迷宫,我们可以利用表格型方法解决寻宝问题,即使用简单的表格来存储环境、决策和奖励信息。 迷宫一般包括一个正方形的网格,其中有起点、终点和障碍物。我们可以使用数字表示不同的状态,例如起点为0,终点为9,障碍物为-1。除此之外,我们还需要定义动作的种类,例如上、下、左、右,用数字1、2、3、4分别表示。同时,我们需要为每个动作定义相应的奖励,例如到达终点的奖励为100,碰到障碍物的奖励为-10。 在解决迷宫问题时,我们可以利用表格方法中的Q-learning算法。Q-learning使用一个Q表格来存储每个状态下每个动作的Q值,其中Q值是根据当前状态和动作的奖励计算得出的。初始时,Q表格的值可以随机初始化。 在进行训练时,我们可以通过一系列的迭代过程来更新Q表格的值。每次迭代中,我们从起点开始,在每个状态下根据当前的Q表格选择相应的动作,并根据动作的奖励计算下一个状态的Q值。然后,将新的Q值更新到Q表格中。通过多次迭代,Q表格的值会逐渐趋于稳定。 在利用训练好的Q表格解决迷宫问题时,我们可以根据当前的状态查找Q表格中相应的最优动作,并执行该动作。这样,agent就能够根据学习到的知识在迷宫中寻宝。 利用表格型方法解决迷宫问题是强化学习中的一种经典方法,它可以帮助我们理解强化学习的基本原理。通过构建迷宫、定义奖励和动作,并使用Q-learning算法进行训练,我们能够获得一个可以解决寻宝问题的agent。 ### 回答3: 在深入浅出强化学习:原理入门这本书的第35页上,介绍了如何利用表格型方法解决迷宫寻宝问题。这个问题可以用一个迷宫来建模表示,迷宫由一个二维的矩阵组成,每个位置可以是一个墙壁、一个通道或者是一个宝藏。 为了解决这个问题,我们可以使用Q-learning算法。Q-learning是一种基于值函数的强化学习算法,它通过不断更新值函数的估计来实现智能体的决策。 首先,我们需要定义一个Q表格,它是一个二维矩阵,其中行表示智能体所处的位置,列表示可能的动作。初始时,Q表格的所有元素都初始化为0。 然后,我们需要定义一些参数,如学习率α、折扣因子γ和探索率ε。学习率决定了每次更新的幅度,折扣因子决定了对未来奖励的重视程度,探索率决定了智能体在探索和利用之间的权衡。 接下来,我们开始训练智能体。在每次训练中,智能体会观察当前的状态,并根据探索率决定是进行探索还是利用Q表格来选择动作。如果进行探索,智能体会随机选择一个动作;如果利用Q表格,智能体会选择具有最高Q值的动作。 然后,智能体执行选择的动作,并观察新的状态和奖励。根据Q-learning算法,智能体会根据当前状态、选择的动作、新的状态和奖励来更新Q表格的值。更新的方式是通过下面的公式进行计算: Q(s,a) = (1-α) * Q(s,a) + α * (r + γ * maxQ(s',a')) 其中,s表示当前状态,a表示选择的动作,r表示当前状态下的奖励,s'表示新的状态,maxQ(s',a')表示新的状态下的最大Q值。 智能体会不断地在迷宫中移动,直到找到宝藏或者超过最大迭代次数。在训练的过程中,智能体的Q表格会逐渐收敛,最终可以达到一种最佳策略,即通过Q表格可以选择出最优的动作来解决寻宝问题。 这就是如何利用表格型方法解决迷宫寻宝问题。通过不断地训练和更新Q表格,智能体可以逐渐学习到最优的策略,从而成功找到宝藏。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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