html+css第二课

html+css第二讲


一、主题标记body

<body bgcolor = "背景颜色"  background = "背景图案" text = "文本颜色" link = "链接文本的颜色" Vlink = "访问过的文本颜色" alink = "激活的链接文本颜色" left margin = "左边界" right margin = "有边界" top margin = "上边界" bottom margin = "下边界">

这里面所有的标记只是为了方便写在了一起,只是说明这些标记都是使用单标记,可以单独使用,部分可以共同使用,像边界类的,只能是在一个标记中使用一个。


二、字体修饰

<font>标记

<font color = "文本颜色" size = "字号" face = "字体">...</font>

注:网页中的文本字体、字号一般通过css修饰

颜色 英文        十六位进制 颜色 英文 十六进制

白色 White #FFFFFF 黑色 Black #000000

红色 Red #FF0000 绿色 Green #00FF00

蓝色 Blue #0000FF 灰色 Gray #999999


字符格式:

功能 标记

加粗 <b>...</b>

倾斜 <i>...</i>

加强语气(加粗) <strong>...</strong>

加强语气(倾斜) <em>...</em>

下划线 <u>...</u>

删除线 <s>...</s>

上标 <sup>...</sup>

下标 <sub>...</sub>


三、段落标记

<p  align = "对齐方式">...</p>

对齐方式有left、center、right

<hx  align = "对齐方式">...</hx>段落标题说明,x取值[1~6].hx内的文本会自动加粗显示

<hx>针对的对象是段落,而<font>针对的对象是任意文本

<br />换行(换行不换段)


四、特殊标记

<block quote cite = "url">...</block quote>这个其实很好玩的,就像你想卖广告,把广告的链接写进去,然后如果别人想复制代码的话就可以把这个广告都复制走了,这就好像是一些新闻网的信息来源。

<pre>...</pre>保留格式。对于代码而言,就像我想用*显示一个三角形,如果直接排列的话。代码是不会显示空格和换行的,而如果添加空格和换行就需要很大工程,这个就恰好简化了,直接把现有的三角形排列给保留了下来。

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