焦点图触屏划动处理

这是一个利用zepto.js实现的触屏焦点图滑动效果,仿照百度移动版。程序允许用户左右无限制划动,包含图片切换动画和定时自动切换功能。
摘要由CSDN通过智能技术生成

本程序是一个测试程序,仿照百度的http://m.baidu.com/app (用android手机访问)中推荐焦点图做的效果。可以左右无限制的划动。 本文用到了zepto.js.

zepto地址: http://zeptojs.com/



<!DOCTYPE HTML>
<html>
  <head>
    <title>test</title>
    <meta content="width=device-width,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no" name="viewport"/>
    <script src="js/zepto.min.js" type="text/javascript" charset="utf-8"></script>
<style>
    *{padding:0px; margin:0px;}
    .touchBox{
        white-space:nowrap;
        overflow:hidden;
    }
    .items{
        display:inline-block;
        white-space:nowrap;
        overflow:hidden;
    }
    .item{
        display:inline-block;
        white-space:nowrap;
    }
</style>
</head>
<body>
<div style="overflow:hidden;" id="wrap">
    <div class="touchBox" id="slider">
      <div class="items">
          <div class="item"><img src="img/drag1.jpg"/></div>
          <div class="item"><img src="img/drag2.jpg"/></div>
          <div class="item"><img src="img/drag3.jpg"/></div>
          <div class="item"><img src="img/drag4.jpg"/></div>
      </div>
      <div class="items">
          <div class="item"><img src="img/drag1.jpg"/></div>
          <div class="item"><img src="img/drag2.jpg"/></div>
          <div class="item"><img src="img/drag3.jpg"/></div>
          <div class="item"><img src="img/drag4.jpg"/></div>
      </div>
      <div class="items">
          <div class="item"><img src="img/drag1.jpg"/></div>
          <div class="item"><img src="img/drag2.jpg"/></div>
          <div class="item"><img src="img/drag3.jpg"/></div>
          <div class="item"><img src="img/drag4.jpg"/></div>
      </div>
  </div>
</div>
<div id="picNo" style="font-size:24px;color:#fff;position:absolute;right:20px;margin-top:-30px;"></div>

<div id="msg"></div>
<script>
/*去空格和换行(代码中的空格和换行会在浏览器解析时,解析成一个空格,造成位置运算有偏差)*/
var hm = $("#slider").html();
var b = hm.replace(/\n|\r/g,"").replace(/>\s*</g,'><').replace(/\s*</g,"<");
$("#slider").html( b);

/* 设置每个图片的宽度 */
var img_w =  $("#wrap").width();
$(".item img").width( img_w + "px" );

var pic_num = $(".items .item").length/3;                        /* 每组图片的数量 */
$("#slider").css("margin-left", -1*(img_w * pic_num) +"px");    /* 默认显示中间那一组的第一个图片 */
$("#msg").text("pic.width:" + img_w);

//触摸部分
var touch = {};
var scrollSupressionThreshold = 1;        /* 触发touchmove的敏感度 */
var verticalDistanceThreshold = 60;        /* swipe的触发水平方向move必须大于这个距离 */

// add touch start listener
var canvas = document.getElementById("slider");
canvas.addEventListener("touchstart", touchStart, false);
canvas.addEventListener("touchmove", touchMove, false);
canvas.addEventListener("touchend", touchEnd, false);
canvas.addEventListener("touchcancel", touchCancel, false);

function touchStart(event){
    var tc = event.touches[0];
    touch.marginLeft = $("#slider").css("margin-left");        /* 最原始的坐标值 */
    
    touch.x = tc.pageX;
    
    touch.x1 = tc.pageX;
    
    /* 清除定时 */
    clearInterval(timer);
}
function touchMove(event){
    if(touch.length == 0) return;
    var tc = event.touches[0];
    touch.x2 = tc.pageX;
    
    if(Math.abs( touch.x1 - touch.x2 ) > scrollSupressionThreshold){
        event.preventDefault();
        
        var a = $("#slider").css("margin-left");
        $("#slider").css("margin-left", (parseInt(a) + (touch.x2-touch.x1)) + "px");
        
        touch.x1 = touch.x2;
    }
}
function touchEnd(event){
    var movePos = touch.x2-touch.x;        /* 每次移动的距离 */
    
    /* 判断是否换图片 */
    if( Math.abs(movePos) > verticalDistanceThreshold){
        /* 判断左移一张还是右移一张 */
        var c = 1;
        if(movePos<0){
            c = -1;
        }
        
        var m_left = parseInt(touch.marginLeft) + c*img_w;    /* 本次要移动到的位置 */
        
        /* 动画切换图片 */
        aninateChangePic(m_left, 100);
        
    }else{
        /* 移动的距离不够,让图片还原到移动前的位置 */
        $("#slider").animate( {"margin-left":touch.marginLeft},200, 'ease', function(){ showPageNo(); } );
        
        $("#msg").text( "reset  "  + touch.x);
    }
    
    touch = {};
    
    /* 重新启动定时 */
    setTimer();
}

function touchCancel(event){
    touch = {};
}

/* 显示当前是第几张图 */
function showPicNo(){
    /* 得到当前是第几张图 */
    var a = $("#slider").css("margin-left");
    var b = Math.abs(parseInt(a));
    var seq = parseInt(b/img_w  ) % pic_num  + 1;
    
    $("#picNo").text(seq + "/" + pic_num);
}

/* 定时换图 */
function changePicTimer(){
    var a = $("#slider").css("margin-left");
    var m_left = parseInt(a) - img_w;    /* 本次要移动到的位置 */

    /* 动画切换图片 */
    aninateChangePic(m_left, 400);
        
}

/* 动画切换图片  */
function aninateChangePic(m_left, timeout){
    /* 动画移动 */
    $("#slider").animate( {"margin-left": m_left + "px"}, timeout, 'ease', function(){  
    
        /* 处理循环的问题(此处是为了处理无限左移或无限右移的问题) */
        if(m_left==0  || Math.abs(m_left)>= img_w*pic_num*2 ){
            $("#slider").css("margin-left", "-" + (img_w * pic_num) +"px");
            $("#msg").text("reset ok!");
        }
        showPicNo();
    });
}

/* 设置定时变换图片 */
var timer = "";
function setTimer(){
    timer = setInterval("changePicTimer()", 4000);
}
setTimer();

showPicNo();

</script>
</body>
</html>

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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,这些特征对于像和语音识别、自然语言处理、医学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,如像。它们使用卷积层来提取像的特征。 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,这些特征对于像和语音识别、自然语言处理、医学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,如像。它们使用卷积层来提取像的特征。 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 2
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