2016-04-19

[size=medium]总结梳理一下最近接触到的东西,方便自己查看。
1.html5标签可以自定义属性data-XX
必须以data-开头,XX代表两个以上字母
解决的问题
<a id="demo" href="" οnclick=doAdd(id,status)/>
如果status由struts2标签获得,如果得到的是Null则结果可能doAdd(id,)
会产生这样的错误,当然可以外加判断替换为""但又麻烦了。
用data-XX属性可以存储自己想要存放的数据,使用的时候取出来就行了。
2.实体类中存放的是utc秒,如何在页面显示为yyyy-MM-dd HH:mm:ss格式
比如存放utc秒的叫updateTime Long类型
在实体类中可以定义一个getter名为updateTimeStr() 在get方法中做相应的转换
返回字符串,页面上就可以使用相应的bean属性名就可以了。
3.项目需求:添加页面有头像,单击头像框本身,可以选择上传文件。
在网上看到的思路是:在<img>的onclick事件模拟触发<input type="file"/>的单击事件
然后在把file的路径赋值给img,这样头像就回显了。但在IE10中不允许通过这种模拟方式
触发上传文件,在IE11和谷歌浏览器上可以。
4.要想让下拉选select的option选中有两种方式
4.1.在生成option时在要被选中的option中加入属性selected="selected"
4.2.如果一开始没有选中,option在下拉列表中是存在的,可以选中下拉选,
让它的value值等于option的value
5.在修改页面若果某些数据不希望用户修改,而设置了diabled,
可以在表单提交动作前将disabled属性移除。
6.页面标签onclick时间调用的方法中传递的参数中不能有'\',不视为转移符在js中,如果最为windows中的资源路径,在返回页面前统一替换为'/'
浏览器报错信息如下:[/size]
[img]http://dl2.iteye.com/upload/attachment/0116/8898/62f85a75-aca8-312d-9140-60c419915117.png[/img]

[img]http://dl2.iteye.com/upload/attachment/0116/8900/7c1b317d-7e1d-3a1d-823b-54c08bd6ebc1.png[/img]
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个简单的基于Transformer算法的代码示例,可以用来预测SNumber。 ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Dense, Dropout, LayerNormalization, MultiHeadAttention, TimeDistributed, concatenate # 加载数据 data = pd.read_csv('data.csv') X = data.drop(['SNumber'], axis='columns') y = data['SNumber'] # 标准化输入特征 scaler = StandardScaler() X = scaler.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False) # 构建Transformer模型 def transformer_model(input_shape): inputs = Input(shape=input_shape) x = Dense(64, activation='relu')(inputs) x = LayerNormalization()(x) x = Dropout(0.2)(x) x = Dense(32, activation='relu')(x) x = LayerNormalization()(x) x = Dropout(0.2)(x) x = Dense(1)(x) model = Model(inputs=inputs, outputs=x) return model # 训练模型 model = transformer_model((X_train.shape[1],)) model.compile(optimizer='adam', loss='mean_squared_error') model.fit(X_train, y_train, epochs=100, batch_size=16, validation_data=(X_test, y_test)) # 预测结果 y_pred = model.predict(X_test) # 可视化预测结果 plt.plot(y_test.values, label='True') plt.plot(y_pred, label='Predicted') plt.legend() plt.show() ``` 需要注意的是,这只是一个简单的示例,实际上可能需要进行更多的特征工程和调整模型参数来获得更好的预测结果。

“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