元素水平格式化

        CSS权威指南第三版指出,块级元素的width值(内容区宽度)等于其子元素的元素总宽度(margin-left + border-left + padding-left + width + padding-right + border-right + margin-right).但是margin-left或者margin-right为自动计算值,而且子元素p的width值大于父元素div的width值时,实际测试的结果与理论不符。以下设计7个测试用例

基础代码

    div {
      width: 400px;
      margin-left: 200px;
      border: 3px solid black;
    }
    
    p.wide {
      margin-left: -20px;
      margin-right: 100px;
      width: auto;
      border: 3px solid gray;
    }

  </style>
</head>
<body>
  <div>
    <p class="wide">A paragraph</p>
  </div>
</body>


(1) margin-left负值,margin-right正值,width自动计算(超过父元素width)。


    p.wide {
      margin-left: -20px;
      margin-right: 10px;
      width: auto;

      border: 3px solid gray;
    }

根据下图可以得出 div的width=-20 + 3 + 0 + 404 + 0 + 3 + 10 = 400。教材的结论完全正确。
  




(2) margin-left负值,margin-right负值,width自动计算。


    p.wide {
      margin-left: -20px;
      margin-right: -50px;
      width: auto;

      border: 3px solid gray;
    }

根据下图可以得出 div的width=-20 + 3 + 0 + 464+ 0 + 3 + (-50) = 400。教材的结论完全正确。




(3) margin-left正值,margin-right负值,width自动计算。


    p.wide {
      margin-left: 20px;
      margin-right: -50px;
      width: auto;

      border: 3px solid gray;
    }

根据下图可以得出 div的width=20 + 3 + 0 + 424+ 0 + 3 + (-50) = 400。教材的结论完全正确。





(4) margin-left正值,margin-right自动计算(负值),width超过父元素的width。


    p.wide {
      margin-left: 20px;
      margin-right: auto;
      width: 450px;

      border: 3px solid gray;
    }

根据下图可以得出 div的width=20 + 3 + 0 + 450+ 0 + 3 + (-56) = 420。教材的结论正确?




(5) margin-left负值,margin-right自动计算,width超过元素width。


    p.wide {
      margin-left: -20px;
      margin-right: auto;
      width: 450px;

      border: 3px solid gray;
    }

根据下图可以得出 div的width=-20 + 3 + 0 + 450+ 0 + 3 + (-56) = 380。教材的结论正确?




(6) margin-left自动计算,margin-right正值,width超过元素width。

    p.wide {

      margin-left: auto;
      margin-right: 20px;
      width: 450px;

      border: 3px solid gray;
    }

根据下图可以得出 div的width=0 + 3 + 0 + 450+ 0 + 3 + 20 = 476。教材的结论正确?




(7) margin-left自动计算,margin-right负值,width超过元素width。

    p.wide {

      margin-left: auto;
      margin-right: -20px;
      width: 450px;

      border: 3px solid gray;
    }

根据下图可以得出 div的width=0 + 3 + 0 + 450+ 0 + 3 + (-20) = 436。教材的结论正确?


总结: (4)--(5)margin-right为自动计算时,浏览器似乎不再考虑margin-left的值

(6)--(7)margin-right为自动计算时,无法理解浏览器的行为。

当然1--7的例子都是设计为极端情况,即:子元素p的width大于父元素的width。

如果把子元素p的width值设计为小于父元素div的width值,则1--7的测试结果完全符合理论。

以上的的七个例子在360和google浏览器下测试。由于时间有限。google浏览器的测试截图就不贴了



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