网页搭建入门

手把手教你搭建一个属于自己的网站-适合零基础小白,文末附网站模板 手把手教你搭建一个属于自己的网站-适合零基础小白写在前面搭建需求功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 写在前面 前段时间休息想着搭一个属于自己的网站,几经尝试终于成功了,网上其实有很多教程,但很多,希望这篇文章能够帮助到 阅读详情

搭建一个简单的静态网页

1、 致初学者:

许多人想学习网页搭建,在这里分享一些自己学习过程中的一些经验。首先,学习资源方面建议一整套系统性的来学习,包括HTML、CSS、JS三大块,在这三个学完之后,尝试写一个简单的静态网页,巩固练习,熟悉网页的框架,其余的一些动态效果:如轮播图、导航菜单等可以在日常的学习中积累。三个初步学习完后,作为javaWeb的敲门砖.

2、HTML

用HTML写的是整个网页的总体架构,其中最关键部分就是对网页进行分块,根据分块再来写每一个块内具体的内容。标签方面80%甚至以上都用的是div块级标签,后接class属性方面进行css样式书写,接id方面js书写。需要注意的是块级元素和行内元素,这两个分清后,再对静态网页的进行分块书写一般就不会出问题。

下图是HTML搭建的一个网页的总体架构,与上述总结可以结合来看


在这里插入图片描述
3、CSS样式
CSS样式是对网页进行样式的设计,大体架构写好后,需要对其中的各个块进行设计。最常用的就是CSS定位,定位中可以通过float进行布局,但是不建议使用浮动,position定位完全可以解决一切的定位需要,确定好父子关系,正确使用relative和abslolute。进行样式设计时,明确好是哪一个class,或者元素,一般而言,可以多加class名称,以便于对相同类型的样式进行设计,简化代码。在进行设计时,需要先清除一些默认的网页布局。

下面部分代码是CSS样式的一些实际应用,可以与上述结合来思考

*{
    margin: 0;
    padding: 0;
}
ul{
    list-style: none;
}
a:link,a:visited{
    text-decoration: none;
    color: #333333;
}
body{
    font-family: "微软雅黑";
    color: #14191e;

}
.page{
    width: 1024px;
    height: 645px;
    /*上下外边距30px,左右自动居中*/
    margin: 30px auto;
    overflow: hidden;
    position: relative;
}

.slide{
    width: 1024px;
    height: 645px;
    position:relative;
}
.img{
    width: 1024px;
    height: 645px;
    background: no-repeat;
    position: absolute;
    display: none;

}
.active{
    display:block;
}
.img1{
    background-image: url("../img/001.jpg");
}
.img2{
    background-image: url("../img/002.jpg");
}
.img3{
    background-image: url("../img/003.jpg");
}

.button {
    width: 50px;
    height: 50px;
    background: url("../img/004.png") no-repeat center center;
    position: absolute;
    left: 200px;
    top: 50%;
    margin-top: -25px;
}
.button1{
    transform: rotate(180deg);
}
.button2{
    left: auto;
    right: 2px;
}
.button:hover{
    background-color: #333333;
    opacity: 0.8;
}

4、JS
JS也就是JavaScript是对网页进行效果的设计,通过JS的书写,是网页变得有条理,对网页上的按钮等添加点击,鼠标滑入、滑出等效果。在进行JS书写时,最重要的就是函数的封装,通过封装使得代码变得层次清晰,方便调用,JS通过DOM事件与HTML相连接,通过var声明变量(建议多声明全局变量,方便调用)。

可结合下述具体代码来理解

//封装一个获取id的方法
function byId(id) {
    return typeof(id) === "string"?document.getElementById(id):id;
}

//全局变量的声明,方便各种函数的调用
var page = byId("page"),
    timer = null,
    index = 0,
    slide = byId("slide"),
    img = slide.getElementsByTagName("div"),
    len = img.length,
    dots = byId("dots").getElementsByTagName("span"),
    pre = byId("pre"),
    next = byId("next"),
    menu = byId("menu-content"),
    menuItems = menu.getElementsByClassName("menu-item")
    subMenu = byId("sub-menu"),
    inner = subMenu.getElementsByClassName("inner");

function slideImge() {
    page.onmouseover = function (ev) {  //清除计时器
        if(timer) clearInterval(timer);
    }

    page.onmouseout = function (ev) {  //离开自动变换图片
        timer = setInterval(function () {
            index++;
            if(index >= len) index = 0;
            changeImg();
        },3000);

    }


    page.onmouseout();

    //点击圆点切换图片
    for(var i=0; i<len; i++){

        dots[i].id = i;
        dots[i].onclick = function (ev) {
            index = this.id;
            changeImg();
        }
    }

    //点击上下按钮切换
    pre.onclick = function (ev) {
        index--;
        if(index < 0){
            index = len;
        }
        changeImg();
    }

    next.onclick = function () {
        index++;
        if(index >= len){
            index = 0;
        }
        changeImg();
    }

    function changeImg(){  //轮播图片的方法
        //遍历slide下所有的div,隐藏图片,遍历dots下span,清除active类
        for(var j=0; j<len; j++){
            img[j].style.display = "none";
            dots[j].className = "";

            img[index].style.display = "block";
            dots[index].className = "active";
        }
    }

    // 导航菜单,遍历主菜单,添加类似于id的data-index自定义属性
    for (var m=0; m<menuItems.length; m++){
        menuItems[m].setAttribute("data-index",m);
        menuItems[m].onmouseover = function () {
            subMenu.className = "sub-menu";
            var idx = this.getAttribute("data-index");
            for (var n=0; n<menuItems.length; n++){
                inner[n].style.display = "none";
                menuItems[i].style.background = "";
            }
            inner[idx].style.display = "block";
            menuItems[idx].style.background = "rgba(0,0,0,0,0.2)";
        }

    }
    menu.onmouseout = function (ev) {
        subMenu.className = "sub-menu hide";
    }

    subMenu.onmouseover = function (ev) {
        this.className = "sub-menu";
    }
    subMenu.onmouseout = function (ev) {
        this.className = "sub-menu hide";
    }


}

slideImge()

下面就是上述三个结合起来的初步网页了
在这里插入图片描述
在这里插入图片描述

总结:用了大概1周左右巩固熟悉了其中的代码块,下一步进行JavaWeb学习,等学有所成会继续分享我的学习经验哦

保姆级网站搭建教学,教你手把手学会搭建属于自己的网站 以上就是从零开始到搭建完自己的网站,及实战演练的全过程,由于购买域名,服务器都是租的,一个月基本会在200左右的费用,大家自行决定是否搭建,可以开一个月自己学习实操体会一下搭建网站的知识。在宝塔面板—文案—终端(之前没有安装docker的话需要在面板上进行安装推荐清华镜像比较快,如果安装失败,就在软件商店进行安装)—终端下输入docker 回车。在宝塔面板选择文件,点击后选择与你域名相同的那个文件夹(例如chat.01_aide)打开里面就是你网站的源代码文件,可以进行你的网站的设计。 阅读详情

相关推荐

如何搭建一个网页(网站)

建一个网站主要就3大块:服务器、域名、以及程序。 1、服务器:对于学生党来说,是各大云平台重点扶持的对象,所以可以享受优惠服务器选购活动,例如腾讯云的“云+校园”,阿里云的“云翼计划”等等,都推出了物美价廉的学生服务器,在平时这些服务器是同配置价格最低的服务器,特别适合学生党来应用; 在各大云平台竞争的如火如荼的时候,学生机对于学生党来说,并不是最优惠的价格,例如腾讯云最近推出的限时特惠活动,优惠力度巨大,1核2G1M低至99元/年,一次性购买3年仅349元,尤其适合个人用户或者学生党来说使用,活动链接可.

sunnytaogege的博客 1769

如何搭建自己的网站

一、购买服务器 首先,得有一台 24 小时无间断运行的服务器,可以选择 Windows 服务器或者 Linux 服务器,Windows 服务器通过 IIS 部署,这个不算复杂,网上可以搜到一大堆教程,本文主要讲述 Ubuntu 服务器下部署 Vue 项目。 二、重置实例密码、设置密钥对 可以选择两种方式去访问服务器,一是通过实例密码,二是通过密钥对。 三、域名购买、备案、解析 买到服务器之后,就拥有属于自己的一片空间了,但是一长串的 IP 不容易记住怎么办,两个办法:①少熬点儿夜,提高记忆力。②挑

acheding的博客 1万+

网页搭建入门---CSS入门

目录 CSS基础语法 CSS选择器 CSS样式 CSS布局 CSS盒子模型 CSS基础语法 为什么要使用CSS 样式定义如何显示HTML元素 是为了解决内容与表现分离的问题 CSS声明 CSS声明块 CSS规则 CSS选择器 选择器 ID选择器 元素选择器 类( class)选择器 属性选择器 基于关系的选择器 伪类 伪元素 ::b...

joker柒月的博客 515

如何详细搭建一个属于自己的网站(适合小白)(超详细)

如何在阿里云服务器上搭建属于自己的网站

2301_81818516的博客 8万+

前端开发入门:从零搭建环境到部署首个网页的完整指南

前端开发是构建用户界面的核心技术,涉及HTML、CSS和JavaScript三大基石。其原理在于通过HTML定义结构、CSS控制样式、JavaScript实现交互,共同驱动浏览器渲染出用户可见的网页界面。这项技术的价值在于能够快速创建具有丰富视觉反馈和即时交互体验的应用,是连接用户与互联网服务的关键桥梁。在应用场景上,从企业官网、电商平台到复杂的单页应用(SPA),前端技术无处不在。本文聚焦于**环境配置**与**工程化**实践,通过详解VS Code编辑器配置、Node.js与npm包管理工具的安装,以及

weixin_33824363的博客 552

零基础Python网络数据挖掘入门:从环境搭建到网页抓取实战

网络数据挖掘是指从网页中自动提取信息并整理为结构化数据的过程,其核心原理是通过HTTP请求获取网页源代码,再解析HTML标签定位目标字段。Python凭借简洁语法和丰富库(如requests、BeautifulSoup)成为实现网络数据挖掘的主流工具,能显著提升数据采集效率,降低人工成本。在电商比价、舆情监控、学术研究等场景中,自动化抓取可快速获取竞品价格、评论情感、社交关系等数据。对于零基础学习者,从安装Python、配置开发环境开始,逐步掌握请求发送、页面解析、数据存储等基础操作,即可跑通第一个抓取脚本

weixin_30219613的博客 64

HTML 基础入门:从零开始的网页搭建之旅

标签定义,包含术语(<dt>)和描述(<dd>适用于术语解释或键值对形式的内容。<dl><dd>超文本标记语言,用于定义网页结构和内容。</dd><dd>层叠样式表,用于控制网页的表现和布局。</dd><dd>脚本语言,用于实现网页的交互功能。</dd>

Toroto5的博客 1328

别再让OCV拖慢你的芯片!手把手教你用set_timing_derate优化STA时序(附CPPR实战)

本文深入探讨了芯片设计中OCV(On-Chip Variation)对时序分析的影响,并提供了使用`set_timing_derate`优化STA时序的实战指南。通过分阶段derate设置和CPPR技术,有效减少时序违例,提升芯片性能。文章结合TSMC 7nm工艺案例,详细解析了OCV建模与优化策略,助力工程师实现时序收敛。

weixin_42525005的博客 302

2019最新《从网页搭建入门JavaWeb课程》

课程目录: 步骤一:网页搭建入门 1HTML入门 2.CSS入门 3.Float浮动 4.CSS定位 5.网页布局案例 6.JavaScript入门 7.JavaScript实现轮播特效 步骤二:JavaWeb基础入门 1.JSP入门 2.JSP内置对象 3.XML入门 4.Servlet入门 5.web实现登录注册功能 步骤三:Java Web基础进阶 1.JSTL和EL表达式 2.Ajax入门...

dqyxw520的博客 1019

从“要啥”到“咋测”:手把手拆解Aspice SWE.1需求分析,为你的车载/嵌入式项目避坑

本文深入解析Aspice SWE.1需求分析在车载/嵌入式项目中的关键作用,帮助开发者将模糊的系统需求转化为可执行、可验证的软件需求。通过实战案例和结构化方法,详细拆解功能需求原子化、非功能需求工程化表达等核心技巧,为项目避坑提供实用指南。

weixin_31682031的博客 252

大数据应用技术实验报告一 Hadoop三种模式安装配置

JDK+Hadoop安装配置、单机模式配置 以下操作在SecureCRT里面完成 1.关闭防火墙 firewall-cmd --state 显示防火墙状态running/not running systemctl stop firewalld 临时关闭防火墙,每次开机重新开启防火墙 systemctl disable firewalld 禁止防火墙服务。 2.传输JDK和HADOOP压缩包 Sec...

Ruthless_Childe的博客 3081

HTML入门指南:快速掌握网页搭建

,<em>, <cite> 基本语法:<i> …… ……

2402_89746772的博客 781

RI-CLPM vs CLPM:什么时候该用随机截距交叉滞后模型?

本文深入对比了交叉滞后模型(CLPM)与随机截距交叉滞后模型(RI-CLPM)的核心差异与应用场景。RI-CLPM通过分离个体间稳定特质与个体内动态波动,能更纯净地估计变量间的动态因果关系,避免CLPM可能存在的混淆。文章提供了清晰的模型选择决策框架,并辅以Mplus语法示例,帮助研究者根据变量特质稳定性与研究问题,正确选用模型以确保结论的严谨性。

weixin_29276847的博客 300

从网页搭建入门python web_从网页搭建入门JavaWeb

实战Vue.js 源码全方位深入解析Python 爬虫工程师必学——App数据抓取实战Spring Cloud微服务实战Vue2.5开发去哪儿网App 从零基础入门到实战项目FFmpeg音视频核心技术精讲与实战three.js-打造微信爆款小游戏跳一跳全网最热Python3入门 进阶小白福音!零基础入门软件测试,首选必备课程Spring Boot 2.0深度实践之核心技术篇java设计模式精讲 D...

weixin_40004212的博客 967

Fastjson2 2.0.26反序列化漏洞深度剖析:从原理到PoC构造

本文深度剖析了Fastjson2在2.0.26及之前版本中存在的反序列化漏洞。该漏洞允许攻击者通过构造包含恶意TemplatesImpl对象的JSONArray,并利用BadAttributeValueExpException触发,在反序列化过程中实现远程代码执行。文章从漏洞原理、PoC构造、利用链分析到防御建议,提供了全面的技术解读,帮助开发者和安全人员理解其危害并采取应对措施。

d3e4f的博客 1041

Open3D:读写点云与可视化(C++)

迭代 //Open3D #include "Open3D/Open3D.h" //Eigen #include "Eigen/Dense" void testOpen3D::xjGetInformation(const QString &pcPath) { /* read PC */ auto cloud_ptr = std::make_shared<open3d::geometry::PointCloud>(); if (!open3d::io::ReadPointCl

累了就要打游戏 1万+

从网页搭建入门python web_从网页搭建入门Java Web

59cb5fbe0001189f06000338.png (39.64 KB, 下载次数: 314)2018-7-1 19:23 上传让没有网页基础的你也能轻松学习Java Web现在,出于安全性的考虑,大多数网站采用Java语言进行开发,尤其在大型电商平台、金融领域。可见Java web发展前景非常可观,学好Java Web,高薪职位等你来拿!通过学习本路径,不仅可以使用布局搭建静态页面, 又能...

weixin_39626180的博客 187

14、网络切片技术:原理、应用与挑战

本文详细探讨了网络切片技术的原理、应用场景及其在5G网络中的重要性。网络切片作为一种关键的网络架构技术,能够在同一物理网络上创建多个独立的逻辑网络,以满足不同应用对安全性、可靠性和性能的多样化需求。文章深入分析了网络切片在5G、SDN/NFV等技术背景下的发展与挑战,并探讨了其在制造业、交通运输、零售等多个行业的实际应用。此外,还介绍了网络切片的部署流程、未来发展趋势以及相关技术难点,为读者全面了解网络切片技术提供了有价值的参考。

palm99的专栏 248

步骤一:网页搭建入门之HTML与CSS\01.HTML入门\第1章 概述1-1html的准备工作

pass

持之以恒 162

《网络安全自学教程》- OSI七层模型分层及作用,数据封装与解封过程,数据传输过程。

OSI分哪七层,每层的作用是什么,解释数据在七层模型中是怎样传输的,封包和解封过程,数据包在每一层是怎么封装和解封的。

wangyuxiang946的博客 1万+

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

HTML之 网页搭建 及 常用元素入门

1、HTML学习——VS Code环境搭建、创建第一个网页 2、HTML标题:​3、Html段落:4、超链接:5、基础图片显示:6、 HTML表格:7、HTML列表:总结

weixin_47314602的博客 1156

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Python爬虫入门:从环境搭建到第一个网页数据抓取

以Windows系统为例,下载完成后运行安装程序,记得勾选“Add Python to PATH”选项,这会将Python添加到系统环境变量中,方便后续在命令行中使用Python命令。本文将从零开始,带你完成Python爬虫的环境搭建,并抓取第一个网页数据,助你轻松入门爬虫开发。安装完成后,打开命令提示符(在Windows系统中按下Win + R键,输入“cmd”并回车),输入“python --version”,若显示Python的版本信息,如“Python 3.11.4”,则说明Python安装成功。

2501_91652317的博客 534

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

java构建网页_从网页搭建入门Java Web2018版

步骤1:网页搭建入门本步骤将学习到搭建网页的所需的HTML、CSS和JavaScript等内容。并完成个人生活记录首页和轮播图效果。最终达到独立完成前端页面开发的目的。第1课HTML入门本堂课主要讲解html语法,常用标签,及表格表单等,带你轻松入门HTML第2课CSS入门本课程主要讲解什么是css,css内外联样式、子元素的选择以盒子模型的设置等第3课CSS浮动本课程介绍盒子模型和浮动的内容。第...

weixin_39778668的博客 489

Java网页搭建--HTML入门

HTML: 文档结构组成: 测试代码: <!DOCTYPE html> <html> <head> <meta charset = "UTF-8"> <title> html document</title> </head> <body> hello imooc ...

Java小白的自学之路 1651

《搭建属于自己的网站之网页前端学习》基础入门

写文件,要先写声明,这是由于现在有不同的浏览器厂商,不同浏览器厂商对于不同HTML文件的适应性不同,为了避免错误和展示的不一样,所以需要先申明。所有的网页都有:HTML的基本骨架就是包含了、head、body标签。

当回首往事的时候,不会因虚度年华而悔恨,也不会因碌碌无为而羞愧。 744

Spring Boot入门-快速搭建网页

 官网链接: Developing Your First Spring Boot Application  使用Spring Boot可以极大方便开发。下面以一个网页的请求和响应为例。 一、创建一个Maven项目  创建一个名为test_springboot的Maven项目。 二、导入坐标  在pom.xml中导入坐标 <parent> <groupId>org.springframework.boot</groupId> <art

tanxinji的博客 1万+
上一篇: Git介绍与安装
下一篇: Tomcat启动startup.bat一闪而过就消失的原因和解决方法
lqcStar
博客等级 码龄7年 10粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

lqcStar

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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