ofo html源码,HTML5/CSS3摩拜/OFO单车

CSS

语言:

CSSSCSS

确定

/** Geral **/

*,

*:after,

*:before {

margin: 0;

padding: 0;

box-sizing: border-box;

-webkit-transition: all 100ms ease-in;

transition: all 100ms ease-in;

}

*:focus {

outline: none;

}

.clear {

clear: both;

}

a,

a:hover,

a:visited,

a:focus {

text-decoration: none;

border: 0 none;

color: inherit;

cursor: pointer;

}

img {

border: 0 none;

}

::-moz-selection {

background: #00aeef;

color: #fff;

}

::selection {

background: #00aeef;

color: #fff;

}

html {

background: #49dfff;

}

/** BIKE **/

.bike {

width: 278px;

height: 208px;

display: block;

position: absolute;

top: 50%;

left: 50%;

-webkit-transform: translate(-50%, -50%);

transform: translate(-50%, -50%);

}

.bike .roda {

width: 123px;

height: 123px;

display: block;

background: #f47c7c;

border-radius: 50%;

position: absolute;

bottom: 0px;

}

.bike .roda:nth-child(even) {

left: 0px;

}

.bike .roda:nth-child(odd) {

right: 0px;

}

.bike .roda .aro {

width: 78px;

height: 78px;

display: block;

background: #a2df92;

border-radius: 50%;

position: absolute;

top: 22px;

left: 22px;

-webkit-animation: girando 800ms infinite linear;

animation: girando 800ms infinite linear;

}

.bike .roda:nth-child(even) .aro {

box-shadow: inset 4px 0px 2px 2px rgba(255, 255, 255, 0.8);

}

.bike .roda:nth-child(odd) .aro {

box-shadow: inset 0px 4px 2px 2px rgba(255, 255, 255, 0.8);

}

.bike .partes {

-webkit-animation: sobedesce 1800ms infinite linear;

animation: sobedesce 1800ms infinite linear;

}

.bike .quadro {

width: 169px;

height: 113px;

position: absolute;

top: 13px;

left: 52px;

}

.bike .quadro .parte {

height: 12px;

display: block;

background: #71a2d7;

border-radius: 12px;

position: absolute;

}

.bike .quadro .parte.q1 {

width: 90px;

top: 23px;

left: 42px;

}

.bike .quadro .parte.q2 {

width: 118px;

top: 74px;

left: -32px;

-webkit-transform: rotate(-67.5deg);

transform: rotate(-67.5deg);

}

.bike .quadro .parte.q3 {

width: 70px;

top: 124px;

left: 0px;

}

.bike .quadro .parte.q4 {

width: 110px;

top: 89px;

left: 45px;

-webkit-transform: rotate(-45deg);

transform: rotate(-45deg);

}

.bike .quadro .parte.q5 {

width: 120px;

top: 75px;

left: 85px;

-webkit-transform: rotate(-110deg);

transform: rotate(-110deg);

}

.bike .quadro .parte.q6 {

width: 30px;

top: 14px;

left: 30px;

-webkit-transform: rotate(-108deg);

transform: rotate(-108deg);

}

.bike .quadro .parte.q7 {

width: 30px;

top: 10px;

left: 111px;

-webkit-transform: rotate(-90deg);

transform: rotate(-90deg);

}

.bike .quadro .parte.q7 {

width: 30px;

top: 10px;

left: 110px;

-webkit-transform: rotate(-90deg);

transform: rotate(-90deg);

}

.bike .guidom {

width: 68px;

height: 48px;

position: absolute;

top: 12px;

right: 39px;

}

.bike .guidom .parte {

height: 12px;

display: block;

background: #71a2d7;

border-radius: 12px;

position: absolute;

}

.bike .guidom .parte.g1 {

width: 52px;

top: 0px;

left: 0px;

}

.bike .guidom .parte.g2 {

width: 24px;

top: 8px;

right: 7px;

-webkit-transform: rotate(70deg);

transform: rotate(70deg);

}

.bike .guidom .parte.g3 {

width: 30px;

top: 21px;

right: 8px;

-webkit-transform: rotate(130deg);

transform: rotate(130deg);

}

.bike .banco {

width: 56px;

height: 18px;

display: block;

background: #f7f78a;

border-radius: 18px;

position: absolute;

top: 7px;

left: 68px;

}

.bike .coroa {

width: 34px;

height: 34px;

display: block;

background: transparent;

border-radius: 50%;

border: 11px solid #f7f78a;

position: absolute;

top: 126px;

left: 99px;

}

.rua {

width: 100%;

height: 40%;

display: block;

background: #6d6d6d;

position: absolute;

bottom: 0px;

left: 0px;

z-index: -1;

overflow: hidden;

}

.rua .linha {

width: 60%;

height: 5px;

background: #FFC107;

margin: 20vh 9%;

position: absolute;

left: 0px;

-webkit-animation: correndo 1800ms infinite linear;

animation: correndo 1800ms infinite linear;

}

@-webkit-keyframes girando {

from {

-webkit-transform: rotate(0deg);

transform: rotate(0deg);

}

to {

-webkit-transform: rotate(360deg);

transform: rotate(360deg);

}

}

@keyframes girando {

from {

-webkit-transform: rotate(0deg);

transform: rotate(0deg);

}

to {

-webkit-transform: rotate(360deg);

transform: rotate(360deg);

}

}

@-webkit-keyframes sobedesce {

0% {

-webkit-transform: translate(0px, 0px);

transform: translate(0px, 0px);

}

50% {

-webkit-transform: translate(0px, -5px);

transform: translate(0px, -5px);

}

100% {

-webkit-transform: translate(0px, 0px);

transform: translate(0px, 0px);

}

}

@keyframes sobedesce {

0% {

-webkit-transform: translate(0px, 0px);

transform: translate(0px, 0px);

}

50% {

-webkit-transform: translate(0px, -5px);

transform: translate(0px, -5px);

}

100% {

-webkit-transform: translate(0px, 0px);

transform: translate(0px, 0px);

}

}

@-webkit-keyframes correndo {

0% {

-webkit-transform: translate(0%, 0);

transform: translate(0%, 0);

}

50% {

-webkit-transform: translate(-200%, 0);

transform: translate(-200%, 0);

}

51% {

-webkit-transform: translate(200%, 0);

transform: translate(200%, 0);

}

50% {

-webkit-transform: translate(-200%, 0);

transform: translate(-200%, 0);

}

}

@keyframes correndo {

0% {

-webkit-transform: translate(0%, 0);

transform: translate(0%, 0);

}

50% {

-webkit-transform: translate(-200%, 0);

transform: translate(-200%, 0);

}

50.01% {

-webkit-transform: translate(200%, 0);

transform: translate(200%, 0);

}

50% {

-webkit-transform: translate(-200%, 0);

transform: translate(-200%, 0);

}

}

a.author {

font-size: 14px;

text-decoration: none;

color: #FFC107;

position: fixed;

bottom: 10px;

right: 10px;

}

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