有关权重练习

1.权重有高低,但继承的权重为0

2.代码:

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <meta http-equiv="X-UA-Compatible" content="ie=edge">
    <title>CSS权重练习</title>
    <style>
        .nav {
            color: red;
        }
        /* 继承的权重是0 */
        li {
            color: pink;
        }
    
    </style>
</head>
<body>
    
    <ul class="nav">
        <li>人生四大悲</li>
        <li>家里没宽带</li>
        <li>网速不够快</li>
        <li>手机没流量</li>
        <li>学校没wifi</li>
    </ul>
</body>
</html>

3.运行效果:

 4.把第一个li的颜色改为蓝色

代码:

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <meta http-equiv="X-UA-Compatible" content="ie=edge">
    <title>CSS权重练习</title>
    <style>
        .nav li{
            color: red;
        }

        /* 把第一个li颜色加粗 */
       /* blue 权重是10   .nav .blue  20 */
        .nav .blue{
            color: blue;
            font-weight: 700;
      }

    </style>
</head>
<body>
    
    <ul class="nav">
        <li class="blue">人生四大悲</li>
        <li>家里没宽带</li>
        <li>网速不够快</li>
        <li>手机没流量</li>
        <li>学校没wifi</li>
    </ul>
</body>
</html>

运行效果:

 

重点:权重越高,就优先执行

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个简单的人工神经网络的 Python 代码示例: ```python import numpy as np # 定义 sigmoid 函数 def sigmoid(x): return 1 / (1 + np.exp(-x)) # 定义神经网络类 class NeuralNetwork: def __init__(self, num_inputs, num_hidden, num_output): # 随机初始化权重 self.hidden_weights = np.random.randn(num_inputs, num_hidden) self.output_weights = np.random.randn(num_hidden, num_output) def forward(self, inputs): # 计算隐藏层的输出 hidden_layer_outputs = sigmoid(np.dot(inputs, self.hidden_weights)) # 计算输出层的输出 output_layer_outputs = sigmoid(np.dot(hidden_layer_outputs, self.output_weights)) return output_layer_outputs def train(self, inputs, targets, num_epochs, learning_rate): for epoch in range(num_epochs): # 前向传播 hidden_layer_outputs = sigmoid(np.dot(inputs, self.hidden_weights)) output_layer_outputs = sigmoid(np.dot(hidden_layer_outputs, self.output_weights)) # 计算输出误差和梯度 output_errors = targets - output_layer_outputs output_gradients = output_errors * output_layer_outputs * (1 - output_layer_outputs) # 计算隐藏层误差和梯度 hidden_errors = np.dot(output_gradients, self.output_weights.T) hidden_gradients = hidden_errors * hidden_layer_outputs * (1 - hidden_layer_outputs) # 更新权重 self.output_weights += learning_rate * np.dot(hidden_layer_outputs.T, output_gradients) self.hidden_weights += learning_rate * np.dot(inputs.T, hidden_gradients) # 创建神经网络并进行训练 nn = NeuralNetwork(2, 2, 1) inputs = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) targets = np.array([[0], [1], [1], [0]]) nn.train(inputs, targets, 10000, 0.1) # 预测新的数据 new_inputs = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) print(nn.forward(new_inputs)) ``` 这个神经网络实现了一个 XOR 门的逻辑功能。您可以通过调整输入和输出的数量以及隐藏层的大小来尝试不同的神经网络结构。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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