JQuery,thickbox,弹出层

1:首先在http://jquery.com/demo/thickbox/中下载thickbox 和 JQuery
在jsp页面中加入

<input alt="#TB_inline?height=300&
width=400&
inlineId=myOnPageContent"
title=
"add a caption to title attribute / or leave blank" class="thickbox" type="button" value="Show" />



<a href="#TB_inline?height=155&width=300&
inlineId=hiddenModalContent&modal=true"
class="thickbox">Show hidden modal content.</a>


前者是 按钮,后者是超链接 inlineId 是所要弹出的层的id
jsp代码如下

<%@ page language="java" contentType="text/html; charset=utf-8"%>

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">
<html>
<head>
<script src="js/jquery-1.2.6.min.js" type="text/javascript"></script>
<script src="js/thickbox-compressed.js" type="text/javascript"></script>
<script>
$(function () {
$('#selectProvince > ul > li').click(function () {
$('#province').val($(this).val());
tb_remove();
});
});
</script>
</head>

<body>
<input type="text" id="province" >
<a href="#TB_inline?height=155&width=300&inlineId=selectProvince&
modal=true" class="thickbox">请选择城市</a>
<div id="selectProvince" style="display:none">
<ul>
<li id="1">山东</li>
<li id="2">北京</li>
<li id="3">香港</li>
</ul>
</div>

</body>


[color=red]其中modal=true表示为模态化。tb_remove();为关闭该层 modal=false为非模态化[/color]
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,它是由多个组成的网络结构,包括输入、隐藏和输出。每个由多个神经元组成,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,信息从输入流向隐藏,最终到达输出。 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