html 总结1(2017.2.8pm)

1、浏览器页面分几层。

三层:结构层html,表示层css,行为层js。

作用:结构层:构建页面的结构

            表示层:页面的表现与风格

            行为层:实现客户端的功能与业务

2、html5优缺点,对h5的认识(是什么,为什么)。

优点:1、网络标准统一

2、多设备,跨平台

3、及时更新

4、定义的新标签更好地满足开发人员的需求

5、在网页的抓取和索引方面,对seo友好(网络抓取:

6、界面对用户体验友好

7、web socket可以实现客户端和服务器端双向异步通信

8、可替代flash

9、被大量应用移动应用程序和游戏

缺点:1、安全性。web socket   、 web storage很容易被黑客攻击

2、不同浏览器对h5的支持程度不同

3、兼容,ie9以下的浏览器几乎全军覆没


注:网络抓取,索引,收录,爬行

网络索引:将url的信息整理后存入数据库,被称为索引库

网络抓取:程序解析出链接后把url存入页面地址库,网络爬虫(搜索引擎重要组成部分)在地址库中按照一定的规则选取url进行抓取,即像浏览器一样打开页面,把页面的html代码存入数据库。抓取是实际存在的并可以观察到的,日志里有完整的记录

爬行:蜘蛛沿着链接发现新页面,然后爬过去抓取新页面。实际不存在的。

被收录:能查到页面被搜索引擎存入索引库,但索引库里的链接不一定被抓取过。

对h5的认识:

是什么:h5是html的最新版本,是2014年10月由w3c完成标准制定。h5是html css js组合的一套技术,顺应时代发展潮流,减少web应用对插件的依赖,并在移动端有很好的应用

为什么:h4是在1999年12月提出的,过分依赖插件,如flash,在安全和稳定性方面有很大的隐患,并且由于移动端耗电、触摸、不开放的特性,使其难以在移动端使用。

3、doctype作用,混杂模式(怪异模式),标准模式。

     1、位于文档最前方,告诉浏览器的解析器使用何种规则解析该文档。

      2、标准模式:规则即按照w3c里发布的DTD(文档类型定义)去解析页面,以浏览器支持的最高标准来解析页面。

      3、怪异模式:以宽容的向后兼容的方式去解析页面。(DOCTYPE不存在或者格式不正确会以怪异模式进行解析)。

注:向后兼容:在版本更新后仍能支持旧的版本正常工作。

4、html5有哪些新特性,移除了哪些元素

新增27,废除16个

按优先级分为结构属性元素、块级、行内、交互

结构:

section    nav  header  footer   artical

块级:

aside   figure  code  dialog

行内:

meter  time  progress video  audio

交互:

details   menu  command  datagrid

废除:

纯表现的:

basefont   font  big  strike  tt   center  u

框架:

frameset   noframes  frame


5、你做的网页在哪些浏览器上测试过,他们的内核是什么

ie:trident

firefox:gecko

safari:webkit

opera:blink

chrome:blink


6、对web标准和w3c的理解

web标准的理解:分为结构、表现、行为。结构是由html构成,表现由css构成,行为是指页面与用户有一定的交互,有js构成。web标准一般是将三者分开,使其更具有模块化。

w3c的理解:w3c对web标准提出了规范化的要求。

结构:

标签小写、不能随意嵌套、标签闭合

css、js:

尽量使用外链css样式和 js脚本,提高渲染速度,优化用户体验。

标签尽量见文知意,标签越少,加载越快,结构和表现尽量分离。

不需要变动页面内容,便可提供打印版本而不需要复制内容,提高网站易用性。??????

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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