CSS盒模型系统整理

CSS盒模型

问题(从上之下,逐步深入):

  • 基本概念:标准模型 + IE 模型
  • 标准模型与 IE 模型的区别
  • CSS如何设置这两种模型
  • JS如何设置获取盒模型对应的宽和高
  • 实例题(根据盒模型解释边距重叠)
  • BFC(边距重叠解决方案)

  1. 基本概念与区别:

    • 标准模型

      这里写图片描述

      在标准盒模型中:盒子占位= width + 2*margin + 2*padding + 2*border,高度与之一样。

    • IE模型

      这里写图片描述

      在IE模型中,盒子占位=width + 2*margin

  2. CSS 如何设置这两种模型:

    box-sizing: content-box; /* 默认值。标准盒子模型 */
    box-sizing: border-box;  /* IE模型 */
  3. JS如何设置获取盒模型对应的宽和高:

dom.style.width/height; // 只能获取CSS的内联属性
dom.currentStyle.width/height; // 能获取三种方式(内联,外链,内嵌)的CSS样式,
                            //  但这个属性只有IE支持
window.getComputedStyle(dom).width/height; // 兼容chrome,firefox
dom.getBoundingClientRect().width/height; // 
  1. 实例题(根据盒模型解释边距重叠)

  2. BFC(边距重叠解决方案):

    • BFC的基本概念:

      BFC(Block formatting context)直译为”块级格式化上下文”。

    • BFC的原理:

      1. 内部的Box会在垂直方向,一个接一个地放置。
      2. Box垂直方向的距离由margin决定。属于同一个BFC的两个相邻Box的margin会发生重叠
      3. 每个元素的margin box的左边, 与包含块border box的左边相接触(对于从左往右的格式化,否则相反)。即使存在浮动也是如此。
      4. BFC的区域不会与float box重叠。
      5. BFC就是页面上的一个隔离的独立容器,容器里面的子元素不会影响到外面的元素。反之也如此。
      6. 计算BFC的高度时,浮动元素也参与计算
    • 如何创建BFC:

      1. 根元素,即HTML元素
      2. float的值不为none
      3. overflow的值不为visible
      4. display的值为inline-block、table-cell、table-caption
      5. position的值为absolute或fixed
  3. BFC的使用场景:

    1. 自适应两栏布局
    2. 可以阻止元素被浮动元素覆盖
    3. 可以包含浮动元素——清除内部浮动
    4. 分属于不同的BFC时可以阻止margin重叠
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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