深究HTML第二天

1.table注意问题:table中放tr标签,tr标签中只能放th,td,而td中可以放任何标签;就好比ul只能放li标签一样的性质。
2.cellspacing:控制单元格与单元格之间的距离;cellpadding:控制单元格内容与边框之间的距离。
3.table合并规则:先上后下,先左后右。
4.图像形式的提交按钮
5.label直接包裹input,利用for=“id"获得光标聚集
6.div独占一行,多个span可在一行显示;两者均无语义。
7.cellspacing默认值为0,cellpadding默认值为1
8.table如果未设置width,cellspadding=“10”,则单元格内容距离上下左右边距各10px;否则,则单元格内容只是距离左边框距离10px
9.thead为表格的头部,一般为一坨;而th为表头,一般为一行;两者不一样。
10.自定义标签:dl:dt,dd;dt和dd是并列关系。
11.datalist标签和input标签一起使用:<input list=’'did” />




12.h5新增标签:header定义页面的头部·页眉;article定义文章;nav定义导航栏链接的部分;footer定义页面底部;section定义区域;
13.fieldset标签必须与legeng搭配使用:
用户登录
用户名:

14.input标签新增表单:

A=email:邮箱
tel手机
number数字
url网址
search搜索
range滑块
date年月日
time时间
month月份
week
color颜色板
15.input新增标签属性:
placeholder占位符和value不一起使用:
autufocus自动获得焦点
multiple多文件上传:
autocomplete自动记录输入内容,使用时必须有提交按钮,必须对文本框命名:

required强制文本框不能为空:
accesskey:(alt+字母)快速定位光标::意思是按alt+s可以快速定位到此文本框
16.创建table快捷键:table>tr5>td6

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