html5专题,html5专题

拖拽

在相应的可拖拽元素上设置 draggable=‘true’

事件:

可拖动元素

1、dragstart:开始拖拽

2、drag:拖拽过程中

3、dragend:拖拽结束

拖拽的接受目标区域

1、dragenter:进入目标区域

2、dragover:在目标区域中

3、dragleave:离开目标区域

4、dragdrop:在目标区域中松开(需要早dragover事件中阻止默认事件)

传送和接收数据:

event.dataTransfer.setdata('text',this.index)

event.dataTransfer.getdata('text')

拖拽购物车案例:

Document

* {

margin: 0;

padding: 0;

}

ul:after {

display: block;

content: '';

clear: both;

}

li {

list-style: none;

float: left;

width: 200px;

border: 1px solid #000;

margin: 10px;

}

li img {

width: 200px;

}

p {

border-bottom: 1px dashed #000;

}

#div1 {

width: 600px;

height: 300px;

border: 1px #000 solid;

}

.box1 {

float: left;

width: 200px;

}

.box2 {

float: left;

width: 200px;

}

.box3 {

float: left;

width: 200px;

}

#allMoney {

float: right;

}

window.onload = function() {

var oLi = document.getElementsByTagName('li');

var oDiv = document.getElementById('div1');

var obj = {};

var iNum = 0;

var allMoney = null;

for (var i = 0; i < oLi.length; i++) {

oLi[i].ondragstart = function(ev) {

var aP = this.getElementsByTagName('p')

ev.dataTransfer.setData('title', aP[0].innerHTML)

ev.dataTransfer.setData('money', aP[1].innerHTML)

//ev.dataTransfer.setDragImage(this,0,0);

}

}

oDiv.ondragover = function(ev) {

ev.preventDefault();

}

oDiv.ondrop = function(ev) {

ev.preventDefault();

var sTitle = ev.dataTransfer.getData('title');

var sMoney = ev.dataTransfer.getData('money');

if (!obj[sTitle]) {

oDiv.innerHTML = oDiv.innerHTML + `

1

${sTitle}

${sMoney}

`

obj[sTitle] = 1;

} else {

var box1 = document.getElementsByClassName('box1');

var box2 = document.getElementsByClassName('box2');

for (var i = 0; i < box2.length; i++) {

if (box2[i].innerHTML == sTitle) {

box1[i].innerHTML = parseInt(box1[i].innerHTML) + 1;

}

}

}

iNum += parseInt(sMoney);

console.log(iNum);

if (!allMoney) {

oDiv.innerHTML = oDiv.innerHTML + `

${iNum}¥
`

allMoney = 1;

}

document.getElementById('allMoney').innerHTML = iNum + '¥';

oDiv.appendChild(document.getElementById('allMoney'));

}

}

  • ![](js高程.jpg)

    js高级程序设计

    80¥

  • ![](css.jpg)

    css技术指南

    60¥

  • ![](node.jpg)

    node深入学习

    78¥

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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