transform

CSS——转换小案例

由 喜你入骨 提交于 2020-02-27 09:31:57
CSS中的转换：transform 位移 transform：translate（x，y）；水平方向x和垂直方向y，值为数字或者百分比 transform：translateX（num）；水平方向 transform：translateY（num）；垂直方向 转换中位移最大的优点：不影响其他盒子的位置 里面的百分比是参照自身的宽高 旋转 transform：rotate（num deg）； 单位为deg 旋转时默认为元素的中心点旋转 变换的中心点 transform-origin：x y；默认为center center x、y的值可以是数值、百分比、方位名词（top left bottom right center） 缩放 transform：scale（x，y）； 水平方向（宽），垂直方向（高） transform：scale（num）； num>1 为放大倍数 num<1 为缩小倍速 等比列缩放 ，指定宽，高会自适应的等比列的缩放 缩放的优点：不影响其他盒子，可以设置缩放变换的中心点 转换的简写形式 对于转换来说，可以同时进行旋转、缩放、位移的操作，但是这些组合的写法不同，最后变换的结果也是不同的。 转换的简写形式，浏览器解析是从右往左进行解析的 变换的时候，其实坐标轴也是在变换的 * 旋转中，坐标轴也跟着旋转了30度 * 浏览器解析过程：元素先向右平移300px，

用CSS代码写出的各种形状图形的方法

由 三世轮回 提交于 2020-02-27 00:43:08
一共收集整理了图形20个，比较实用，同时也为了熟悉CSS的代码。整合了一下，有错误欢迎指出。 1.正方形 #square { width: 100px; height: 100px; background: red;} 2.长方形 #rectangle { width: 200px; height: 100px; background: red;} 3.左上三角 #triangle-topleft { width: 0; height: 0; border-top: 100px solid red; border-right: 100px solid transparent; } 4.右上三角 #triangle-topright { width: 0; height: 0; border-top: 100px solid red; border-left: 100px solid transparent;} 5.左下三角 #triangle-bottomleft { width: 0; height: 0; border-bottom: 100px solid red; border-right: 100px solid transparent; } 6.右下三角 #triangle-bottomright { width: 0; height: 0; border-bottom

instrutment中retransformClasses和redefineClasses

由 懵懂的女人 提交于 2020-02-27 00:35:53
retransformClasses：对于已经加载的类重新进行转换处理，即会触发重新加载类定义，需要注意的是，新加载的类不能修改旧有的类声明，譬如不能增加属性、不能修改方法声明 redefineClasses：与如上类似，但不是重新进行转换处理，而是直接把处理结果(bytecode)直接给JVM 总结： class文件随着虚拟机启动的时候，会经过premain方法，premain方法中定义了transform，这个premain在虚拟机启动的时候会被执行一次，然后通过transform方法对类进行了修饰，就好像被穿了一件衣服，class加载的时候注入了transform中的内容，以后每次class执行的时候就会走一次transform里面的东西，就好下你给之前给你穿了一个衣服，以后每次看你你都穿着这个衣服。 retransformClasses是因为agent虽然嵌入了，但是在虚拟机启动的时候，某些类比如thread，在javaagent启动之前就已经加载到了内存，javaagent也是类，在javaagent加载之前虚拟机需要加载一些必须的类来保证我的javaagent的运行，比如说thread，这个时候thread就没有被”穿上衣服“，即没有被transform修饰，也就不能被javaagent监控到，这个时候就需要retransformClasses重新加载

用HTML+CSS3写一个会旋转的魔方

由 可紊 提交于 2020-02-26 22:55:54
<!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>Document</title> <style> .box { width: 300px; height: 300px; margin: 150px auto; position: relative; transform-style: preserve-3d; animation: rotate 10s linear infinite alternate; } .before, .back, .top, .bottom, .left, .right { width: 300px; height: 300px; position: absolute; } .before { transform: translateZ(150px); } .back { /* transform: rotateY(180deg) translateZ(150px); */ transform:

静态代理、动态代理，以及动态代理的调用说明

由 自作多情 提交于 2020-02-26 05:34:41
原文作者：弥诺R 原文地址： http://www.minuor.com/1524750034/article 转载声明：转载请注明原文地址，注意版权维护，谢谢！ 提前说说 项目中涉及到的代码我都会上传到码云(gitee)或者github上，提供给大家下载参考，文中就以最简单的方式说明执行过程。源码的地址在文末哦！ 代理模式 代理模式分为静态代理和动态代理两种方式，静态代理是在开发的时候就写好代理的过程，并且代理类要和目标类实现同一个接口。而动态代理是代理类通过实现InvocationHandler接口完成，在运行期间动态的构建代理对象，在动态代理的实现过程中还有另一个更为重要的类Proxy，准确的来说，Proxy负责生成代理对象，而InvocationHandler是根据生成的代理对象执行增强内容和目标方法或类。 静态代理 ####要点： 1、代理类需要和目标类需要实现同一个接口 2、在代理类中会内置目标类对象 ####代码分析 创建一个接口Transformers(变形金刚) public interface Transformers { void trans2man();//变形->人 void trans2car();//变形->车 } Transformers的实现类TransformersImpl，可以理解为擎天柱 擎天柱实现了变形金刚接口，拥有两个功能分别是变形成人

《动手学深度学习》Task10：图像分类案例2+GAN+DCGAN

由 耗尽温柔 提交于 2020-02-26 02:11:09
1 图像分类案例2 Kaggle上的狗品种识别（ImageNet Dogs） 在本节中，我们将解决Kaggle竞赛中的犬种识别挑战，比赛的网址是https://www.kaggle.com/c/dog-breed-identification 在这项比赛中，我们尝试确定120种不同的狗。该比赛中使用的数据集实际上是著名的ImageNet数据集的子集。 # 在本节notebook中，使用后续设置的参数在完整训练集上训练模型，大致需要40-50分钟 # 请大家合理安排GPU时长，尽量只在训练时切换到GPU资源 # 也可以在Kaggle上访问本节notebook： # https://www.kaggle.com/boyuai/boyu-d2l-dog-breed-identification-imagenet-dogs import torch import torch . nn as nn import torch . optim as optim import torchvision import torchvision . transforms as transforms import torchvision . models as models import os import shutil import time import pandas as pd import

动手学深度学习之图像分类案例1-2

由 心不动则不痛 提交于 2020-02-26 00:11:35
参考伯禹学习平台《动手学深度学习》课程内容内容撰写的学习笔记 原文链接：https://www.boyuai.com/elites/course/cZu18YmweLv10OeV/lesson/ZDRJ8BaRpFmqDwJafJAYGn 感谢伯禹平台，Datawhale，和鲸，AWS给我们提供的免费学习机会！！ 总的学习感受：伯禹的课程做的很好，课程非常系统，每个较高级别的课程都会有需要掌握的前续基础知识的介绍，因此很适合本人这种基础较差的同学学习，建议基础较差的同学可以关注伯禹的其他课程： 数学基础：https://www.boyuai.com/elites/course/D91JM0bv72Zop1D3 机器学习基础：https://www.boyuai.com/elites/course/5ICEBwpbHVwwnK3C 引言 图像分类，顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。它是计算机视觉的核心，实际应用广泛。图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，但由于实际情况非常复杂，传统的分类方法不堪重负。现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。主要任务是给定一个输入图片，将其指派到一个已知的混合类别中的某一个标签。 Kaggle上的图像分类（CIFAR-10) 现在

动手学深度学习PyTorch-打卡3

由 两盒软妹~` 提交于 2020-02-24 23:02:36
一、数据增强 大规模数据集是成功应用深度神经网络的前提。图像增广（image augmentation）技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。图像增广的另一种解释是，随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。例如，我们可以对图像进行不同方式的裁剪，使感兴趣的物体出现在不同位置，从而减轻模型对物体出现位置的依赖性。我们也可以调整亮度、色彩等因素来降低模型对色彩的敏感度。可以说，在当年AlexNet的成功中，图像增广技术功不可没。 常用的图像增广方法 翻转和裁剪 左右翻转图像通常不改变物体的类别。它是最早也是最广泛使用的一种图像增广方法。下面我们通过torchvision.transforms模块创建RandomHorizontalFlip实例来实现一半概率的图像水平（左右）翻转。 apply ( img , torchvision . transforms . RandomHorizontalFlip ( ) ) 上下翻转不如左右翻转通用。但是至少对于样例图像，上下翻转不会造成识别障碍。下面我们创建RandomVerticalFlip实例来实现一半概率的图像垂直（上下）翻转。 apply ( img , torchvision . transforms . RandomVerticalFlip ( )

机器学习算法，机器让我学习（1）

由 我们两清 提交于 2020-02-24 20:37:15
机器学习的分类： 　　有监督学习： 　　　　基于连续输出称为回归，如股票预测 　　　　基于离散量输出为分类，如数字识别 　　　　（常见的有监督学习：回归预测分析，分类；垃圾邮件检测；模式检测；自然语言处理；情绪分析；自动图像分类；自动序列生成等） 　　无监督的学习： 　　　　对象分割，相似性检测，自动标记 　　强化学习： 　　　　（不懂啊，是不是还有一个半监督学习，还是看周志华的机器学习那本吧，现在是意大利的一个人的书） 特征选择与特征工程： 　　创建训练集和测试集： 　　训练和测试数据集要满足原始数据分布，并随机混合，避免出现连续元素之间的相关性。 　　一种将数据分割开为训练和测试的方法如下：0.75:0.25。随机数种子1000，用于再现实验过程等 1 from sklearn.model_selection import train_test_split 2 X_train,X_test,Y_train,Y_test = train_test_split(X,Y,test_size=0.25,random_state=1000) 　　 管理分类数据 ，将数据转换为数字量等： #创建 import numpy as np X = np.random.uniform(0.0,1.0,size=(10,2)) Y = np.random.choice(('Male','Female

机器学习

由 梦想的初衷 提交于 2020-02-24 20:35:57
机器学习 概述 什么是机器学习 机器学习是一门能够让编程计算机从数据中学习的计算机科学。 一个计算机程序在完成任务T之后，获得经验E，其表现效果为P，如果任务T的性能表现，也就是用以衡量的P，随着E增加而增加，那么这样计算机程序就被称为机器学习系统。 自我完善，自我增进，自我适应。 为什么需要机器学习 自动化的升级和维护 解决那些算法过于复杂甚至跟本就没有已知算法的问题 在机器学习的过程中协助人类获得对事物的洞见 机器学习的问题 建模问题 所谓机器学习，在形式上可这样理解：在数据对象中通过统计或推理的方法，寻找一个接受特定输入X，并给出预期输出Y的功能函数f，即Y=f(X)。 评估问题 针对已知的输入，函数给出的输出(预测值)与实际输出(目标值)之间存在一定的误差，因此需要构建一个评估体系，根据误差的大小判定函数的优劣。 优化问题 学习的核心在于改善性能，通过数据对算法的反复锤炼，不断提升函数预测的准确性，直至获得能够满足实际需求的最优解，这个过程就是机器学习。 机器学习的种类 监督学习、无监督学习、半监督学习、强化学习 有监督学习：用已知输出评估模型的性能。 无监督学习：在没有已知输出的情况下，仅仅根据输入信息的相关性，进行类别的划分。 半监督学习：先通过无监督学习划分类别，再根据人工标记通过有监督学习预测输出。 强化学习：通过对不同决策结果的奖励和惩罚
订阅 transform