HTML常用标签

HTML常用标签

一、HTML常用标签

a)   块级标签:显示为“块”状,浏览器会在其前后显示折行。常用的块级标签元素包括:p、h1~h6、div、ul等

i.       标题标签:h1~h6

ii.    段落标签:<p>...</p>,段落上下行之间有间距

iii. 水平线标签:<hr/>:分割内容

iv. 有序列表

1.    <ol>

<li>列表项</li>

<ol>

v.    无序列表

1.    <ul>

     <li>列表项</li>

<ul>

vi.  描述性标签

1.    <dl>

          <dt>计算机</dt>

               <dd>用来计算的仪器 ... ...</dd>

          <dt>显示器</dt>

               <dd>以视觉方式显示信息的装                   </dd>

     </dl>

vii.          分区标签

1.    <div>分区标签</div>

b)   行级标签:按行逐一显示,前后不会换行。

i.       常用行级标签

1.    <b></b>:粗体文本

2.    <i>:</i>斜体文本

3.   <em></em>:定义强调文本,效果跟斜体差不多

4.   <Strong></Strong>:粗体文本与<b>的作用基本相同。

5.    <small></small>:定义小号文本。

6.    <big></big>:定义大号文本

7.  <sub></sub>:定义下标文本

8.    <sup></sup>:定义上标文本

9.    <bdo></bdo>:定义文本显示方向,内有dir属性,只能取值ltr或rtl。

ii.    超链接标签:<a href=”连接地址” target=”目标窗口”>文本或图片</a>

1.    Href:指定超链接关联的资源

2.    Target:指定连接到的窗口打开方式。四个值:_self(默认)、_blank、_top、_parent四个值,分别代表使用自身、新窗口、顶层框架、父框架来装载新资源。

a)   _blank:点一次打开一个

b)   _parent:设置target值为_parent:父窗口中打开。如果本身是顶级窗口则_parent效果和_self相同。

c)    Top:在顶级窗口中打开。

d)   New:始终在同一个窗口中打开

3.   

iii. 图片标签<img src=”图片地址” alt=”提示文字” />

iv.  <span>标签:span标签是被用来组合文档中的行级元素。span 没有固定的格式表现。当对它应用样式时,它才会产生视觉上的变化。

1.    <span>文本等行级内容(最好不要放置块级标签)</span>

v.    <font>:规定文本的字体和颜色

1.    如:<font size="3"color="red">This is some text!</font>

vi.  <br/>标签:换行标签

vii.          常用的特殊符号

1.    空格:&nbsp;

2.    大于(>):&gt;

3.    小于(<):&lt;

4.    引号(“”):&quot;

5.    版权号:&copy;

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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