页面蒙板效果

<html xmlns="http://www.w3.org/1999/xhtml" >
<head >
<title>DIV蒙板效果</title>
<style type=text/css>
body{
margin:0px;
padding:0px;
font-size:12px;
}
#ifr_Mask{
opacity: 0;
filter: alpha(opacity=0);
border: none;
}
/*蒙板颜色及透明度*/
#div_Mask{
background-color:#EDEDED;
opacity:0.7;
filter:alpha(opacity=80);
}
/*蒙板显示内容*/
#msg{
background-color: #FFFFFF;
display: none;
width: 400px;
height: 300px;
border-right: #FF0000 1px solid;
border-top: #FF0000 1px solid;
border-left: #FF0000 1px solid;
border-bottom: #FF0000 1px solid;
color: #000000;
font-family:Tahoma;
}
</style>


</head>
<body>
<input type="button" onClick="MaskDialog.show();" value="show mask layer" />
9486794576
<div id="msg">
you can see never!
<p><a href="javascript:MaskDialog.hide();">关闭</a></p>
</div>


<script language="javascript">
function maskDialog()
{
// public properties start
this.mainForm;
this.top="100";
// public properties end
this.showStatus=false;
if(typeof this.mainForm != "#ff0000" && this.mainForm != null)
{
this.mainForm.style.display="none";
}
if(window.onresize)
{
var evt=window.onresize;
window.οnresize=function(){evt(); MaskDialog.resize();};
}
else
{
window.οnresize=function(){MaskDialog.resize();};
}
if(window.onscroll)
{
var evt=window.onscroll;
window.οnscrοll=function(){evt(); MaskDialog.scroll();};
}
else
{
window.οnscrοll=function(){MaskDialog.scroll();};
}
//隐藏蒙板效果
    this.hide=function()
{
var mask=document.getElementById("div_Mask");
if(typeof mask != "undefined" && mask!=null)
{
var body = document.getElementsByTagName("body")[0];
body.removeChild(mask);
}
var ifr=document.getElementById("ifr_Mask");
if(typeof ifr != "undefined" && ifr!=null)
{
var body = document.getElementsByTagName("body")[0];
body.removeChild(ifr);
}
if(typeof this.mainForm != "undefined" && this.mainForm != null)
{
this.mainForm.style.display="none";
}
this.showStatus=false;
};
//显示蒙板效果
this.show=function()
{
var body = document.getElementsByTagName("body")[0];
var pageDimensions=this.getPageDimensions();
var sheet = document.createElement("div");
sheet.setAttribute("id","div_Mask");
sheet.style.position="absolute";
sheet.style.left="0px";
sheet.style.top="0px";
sheet.style.zIndex="999";
sheet.style.width=pageDimensions[0] + "px";
sheet.style.height=pageDimensions[1] + "px";
var ifr = document.createElement("iframe");
ifr.setAttribute("id","ifr_Mask");
ifr.style.position="absolute";
ifr.style.display="block";
ifr.style.zIndex="998";
ifr.width=pageDimensions[0];
ifr.height=pageDimensions[1];
ifr.scrolling="no";
ifr.frameborder="0";
ifr.style.left="0px";
ifr.style.top="0px";
body.appendChild(ifr);
body.appendChild(sheet);
if(typeof this.mainForm != "undefined" && this.mainForm != null)
{
this.mainForm.style.display="block";
this.mainForm.style.zIndex="1000";
}
this.showStatus=true;
this.scroll();
};
this.resize=function()
{
if(this.showStatus==false)
{
return;
}
var mask=document.getElementById("div_Mask");
var ifr=document.getElementById("ifr_Mask");
if(typeof mask != "undefined" && mask != null && typeof ifr != "undefined" && ifr != null )
{
var body = document.getElementsByTagName("body")[0];
var pageDimensions=this.getPageDimensions();
mask.style.width=pageDimensions[0] + "px";
mask.style.height=pageDimensions[1] + "px";
ifr.width=pageDimensions[0];
ifr.height=pageDimensions[1];
this.scroll();
}
};
this.scroll=function()
{
if(this.showStatus==false)
{
return;
}
if(typeof this.mainForm != "undefined" && this.mainForm != null)
{
var pageDimensions=this.getPageDimensions();
this.mainForm.style.position="absolute";
this.mainForm.style.top=document.documentElement.scrollTop + "px";
if(typeof this.mainForm.style.width == "undefined" || this.mainForm.style.width=="")
{
this.mainForm.style.width=pageDimensions[0] /2 + "px";
}
var newLeft= pageDimensions[0] / 2 - parseInt(this.mainForm.style.width,10) /2
var newTop= document.documentElement.scrollTop + parseInt(this.top);
this.mainForm.style.left= newLeft + "px";
this.mainForm.style.top= newTop + "px";
}
};
this.getPageDimensions=function()
{
var body = document.getElementsByTagName("body")[0];
var bodyOffsetWidth = 0;
var bodyOffsetHeight = 0;
var bodyScrollWidth = 0;
var bodyScrollHeight = 0;
var pageDimensions = [0,0];
pageDimensions[0]=document.documentElement.clientWidth;
pageDimensions[1]=document.documentElement.clientHeight;
bodyOffsetWidth=body.offsetWidth;
bodyOffsetHeight=body.offsetHeight;
bodyScrollWidth=body.scrollWidth;
bodyScrollHeight=body.scrollHeight;
if(bodyOffsetWidth > pageDimensions[0])
{
pageDimensions[0]=bodyOffsetWidth;
}
if(bodyOffsetHeight > pageDimensions[1])
{
pageDimensions[1]=bodyOffsetHeight;
}
if(bodyScrollWidth > pageDimensions[0])
{
pageDimensions[0]=bodyScrollWidth;
}
if(bodyScrollHeight > pageDimensions[1])
{
pageDimensions[1]=bodyScrollHeight;
}
return pageDimensions;
};
return true;
}
var MaskDialog=new maskDialog();
window.οnlοad=function(){MaskDialog.mainForm=document.getElementById("msg");}
</script>
</body>
</html>
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