标签

< h1 >html< /h1 >
< h2 >html< /h2 >
< h3 >html< /h3 >
< h4 >html< /h4 >
< h5 >html< /h5 >
< h6 >html< /h6 >
在这里插入图片描述
< hn >标签是成对出现的,< hn >标签共分为六级,在< h1 >…< /h1>之间的文字就是第一级标题,是大粗的标题;< h6>…< /h6>之间的文字是后一级,是小细的标题文字。< hn>标签本身具有换行的 作用,标题总是从新的一行开始。
粗体标签< b> 放在标签之间的文字将以粗体方式显示。
斜体标签< i> 放在< i>与< /i>标签之间的文字将以斜体方式显示。
下划线标签< u> 放在< u>与< /u>标签之间的文字将以下划线方式显示。
删除线标签< /del> 放在< del>与< /del>标签之间的文字将以被划掉的方式显示。$200.0
上下标标签< sup> < sub> 3< sup>2< /sup>=9 32=9
H< sub>2< /sub>o H2o
有序列表< ol>< /ol>和无序列表< ul>< /ul>
< ol type=“1”> 序号可以是数字,大小写字母,罗马数字
< li>苹果< /li>
< li>香蕉< /li>
< /ol>
< ul>
< li>苹果< /li>
< li>香蕉< /li>
< /ul>

显示效果如下:

  1. 苹果
  2. 香蕉
  • 苹果
  • 香蕉
文字标签< span>< /span>

段落标签< p>< /p>
图像标签< img src="…">
超级链接< a>< /a>
< a href=“http://www.baidu.com”>百度< /a>(跳转到百度)
< a href="#">跳转当前页面< /a>
< a href="./settings.html" target="_blank">项目里面的页面< /a>
a链接可以做成锚标记
< a name=“target_blank”>这里是衣服< /a>
这里是衣服
< a href="./settings.html#target_info">跨页面的锚标< /a>
跨页面的锚标
强制换行符< br/>
框架元素 < div> < /div>
表单元素标签 注册 登录 选择
name : 名字; value: 值; placeholder: 提示 ; maxlength: 最大输入长度

< input type=“text” name=“username” value="" placeholder=“请输入…” maxlength=“10”>
显示效果如下:
在这里插入图片描述
按钮标签< button>< /button>
< button>button< /button>
在这里插入图片描述
下拉菜单标签< select>< /select>
< select>
< option>—请选择—
< option value=“宝鸡”>—宝鸡—
< option>—西安—
< option selected>—延安—
< /select>
显示效果如下:
在这里插入图片描述
多选菜单 加一个属性multiple ,规定可选择多个选项
< select multiple>
< option>—请选择—< /option>
< option value=“宝鸡”>—宝鸡—< /option>
< option>—西安—< /option>
< option selected>—延安—< /option>
< /select>
显示效果如下:
在这里插入图片描述
多行文本框标签< textarea>< /textarea>。
在这里插入图片描述
表单元素 form action 提后天的服务器路径 get 不安全 提交的数据量比较多–>
< form action="" method=“post”>
< ul>
< li>账号:< input name=“userid” type=“text”/>< /li>
< li>密码:< input name=“userpwd” type=“password”/>< /li>
< li>< input type=“submit” value=“登录”/>< input type=“reset” value=“重置”/>< /li>
< /ul>
< /form>
在这里插入图片描述
table 表格 tr 行 td 列
属性:border
align 文本对其方式
cellspacing 合边线
< table border=“1” bgcolor="#d2691e" width=“500” align=“center” cellspacing=“0” cellpadding=“10”>
< caption>信息表< /caption>
< tr bgcolor=“red” align=“center”>
< td bgcolor=“yellow”>1< /td>
< td>2< /td>
< td>3< /td>
< td>4< /td>
< td>5< /td>
< /tr>
< tr>
< td>1< /td>
< td>2< /td>
< td>3< /td>
< td>4< /td>
< td>5< /td>
< /tr>
< tr>
< td>1< /td>
< td>2< /td>
< td>3< /td>
< td>4< /td>
< td>5< /td>
< /tr>
< tr>
< th>1< /th>
< th>2< /th>
< th>3< /th>
< th>4< /th>
< th>5< /th>
< /tr>
< /table>
显示效果如下:在这里插入图片描述iframe 小型的企业框架 企业系统iframe 小型的企业框架 企业系统
< iframe name=“tardata” src=“http://www.runoob.com/” width=“1200” height=“500”>< /iframe>
在这里插入图片描述

                                </div><div><div></div></div>
            <link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-60ecaf1f42.css" rel="stylesheet">
                            </div>
</article>
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