零基础学网站制作系列教程-02

本文是《零基础学网站制作系列教程》的第二部分,作者介绍了做网站常用的工具,包括FTP工具、Sublime代码编辑器和Adobe Photoshop CC,以及它们的下载和使用。接着讲解了建站程序的概念,如dedecms、wordpress等,并提到了网站模板和静态、动态网页的区别。最后,通过创建第一个HTML网页实例,简述了HTML的基础知识。
摘要由CSDN通过智能技术生成

640?wx_fmt=jpeg

作者 | 杨小二

来源 | web前端开发(web_qdkf)


在《零基础学网站制作系列教程-01》里,我跟大家分享了做一个网站的基本步骤,以及一个线上网站,需要用到的网站域名,网站空间,网站程序等素材,而从今天开始,我将跟大家分享,做网站需要用到的一些工具与网站程序,网站模板,网页布局,web标准,HTML方面的一些基础知识。主要是针对一些没有基础的小伙伴,对于有基础的小伙伴们,请直接跳过。

01、网站制作工具

做一个网站,其实有很多工具可以将其实现出来,但是在这里我将重点讲几个在我会使用到的工具。

第一,FTP上传下载工具,这个我们在上篇文章里已经接触到了这个工具,我就不再重复,需要下载安装的话,请到《零基础学网站制作系列教程-01》里面去获取。FTP工具,也比较简单,基本拿来就学使用。

第二,代码编辑器工具,Sublime。这个工具,也是我们后面做网站写代码时候,会一直用到的工具,也是我在整个教程中,会使用到的工具,我建议大家可以安装一下,以下是Sublime工具下载地址:

链接: https://pan.baidu.com/s/1nNqOmzN5VgUc1gA76xN55A 

提取码: vxys 

第三,网页切片工具,Adobe Photoshop CC,这个工具,特别是在前端开发人员切图的时候,会使用到里面的切片工具这个功能,也不需要学多精深,因为我们只是用到里面的一些基本功能,不会像专业设计师那样,要求精通。以下是Adobe Photoshop CC的下载地址:

链接: https://pan.baidu.com/s/1OH8ZqcP1QGsHfmsMRmuagQ 

提取码: wwab

深度习是机器习的一个子领域,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习和模式识别。深度习模型能够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、医图像分析等应用至关重要。以下是深度习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度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. **深度习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度习模型的工具和库。 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