font

SASS(二)

给你一囗甜甜゛ 提交于 2019-11-28 15:42:15
样式规则(Style Rules) 总览   和css一样,样式规则是Sass的基础,原理也差不多:用选择器选择你所要改变样式的元素,然后声明一些属性去决定它的样式。 Sass: .button { padding: 3px 10px; font-size: 12px; border-radius: 3px; border: 1px solid #e1e4e8; } css: .button { padding: 3px 10px; font-size: 12px; border-radius: 3px; border: 1px solid #e1e4e8; } 1)嵌套(Nesting)   当然Sass致力于让码生幸福,不会让我们一遍又一遍地去写重复的选择器,所以你可以写嵌套样式,Sass会自动把外层选择器和内层样式规则结合起来。 Sass: nav { ul { margin: 0; padding: 0; list-style: none; } li { display: inline-block; } a { display: block; padding: 6px 12px; text-decoration: none; } } css: nav ul { margin: 0; padding: 0; list-style: none; } nav li {

反向传播算法简介

我与影子孤独终老i 提交于 2019-11-28 15:19:14
<!doctype html> 反向传播算法 */ /*--> */ 反向传播算法简介(BP,Backpropagation algorithm) 原文: http://neuralnetworksanddeeplearning.com/chap2.html BP 算法所关注的是神经网络中损失函数 C (cost function) 与每一个权重 和偏置 的偏导。BP 不仅仅是一个快速的算法,其同时为我们提供了一个视角,让我们观察权值和偏置是如何影响网络输出的。 译者注:本文中所描述的网络以层为单位,如果把层当做图的节点,数据流向作为图的有向边,那么本文所描述的网络所抽象出的图一定是有向无环的。 本文并没有翻译原文所有内容 。 热身:利用矩阵实现网络计算 先介绍一个网络权重的数学标记法: ,这个数学标记表示神经网络中第 层网络的第 个元素和第 层第 个元素之间的权重。同样, 表示第 层第 个元素的偏置值, 表示 层第 个元素的激活函数输出值。利用这种数学表示, 可以表示为: 使用矩阵形式表示上述表达式: 定义 为激活函数的输入值则可以将上面表达式 表示为: 损失函数的两个特点 BP 算法用于计算网络中所有权重 和偏置 关于损失函数 的偏导数 和 。为了使 BP 算法正常运行,损失函数需要满足两个条件。在给出这两个条件前,我们先介绍一种常用的均方差损失函数,如式 所示: 表达式

(更新中)Markdown学习笔记(2):Markdown进阶

北战南征 提交于 2019-11-28 15:10:41
原文引用 大专栏 https://www.dazhuanlan.com/2019/08/26/5d63571970f75/ Tim开始了对Markdown高阶用法的探索! 在Markdown中,我们时常要调用一些小图片,而这些小图片如果去网上找或者上传图床会十分的麻烦。此时,一种一站式解决方案出现了——Font Awesome Font Awesome是一个图标站,并且可以方便的调用刀Markdown、HTML中,所以这是一个很强大的工具。今天就来学习一下在Markdown语言中Font Awesome的用法 Font Awesome基础 添加图标 效果: 我的微信 使用方法: 第一步:在 Font Awesome的CDN站 注册并获取自己的js文档 这里使用CDN站是因为Font Awesome的主站在国内访问比较慢,CDN站速度会快很多 之后,我们便获取了一个专属的js文档 <script src="https://use.fontawesome.com/你的专属码.js"></script> 第二步:将这个js文档插入Markdown文档 <head> <script src="https://use.fontawesome.com/你的专属码.js"></script></head> 我们需要将上面这段代码插入Markdown文档的任意位置 第三步:在文章中调用图标文档

反向传播算法简介

走远了吗. 提交于 2019-11-28 15:05:48
<!doctype html> 反向传播算法 */ /*--> */ 反向传播算法简介(BP,Backpropagation algorithm) 原文: http://neuralnetworksanddeeplearning.com/chap2.html BP 算法所关注的是神经网络中损失函数 C (cost function) 与每一个权重 和偏置 的偏导。BP 不仅仅是一个快速的算法,其同时为我们提供了一个视角,让我们观察权值和偏置是如何影响网络输出的。 译者注:本文中所描述的网络以层为单位,如果把层当做图的节点,数据流向作为图的有向边,那么本文所描述的网络所抽象出的图一定是有向无环的。 本文并没有翻译原文所有内容 。 热身:利用矩阵实现网络计算 先介绍一个网络权重的数学标记法: ,这个数学标记表示神经网络中第 层网络的第 个元素和第 层第 个元素之间的权重。同样, 表示第 层第 个元素的偏置值, 表示 层第 个元素的激活函数输出值。利用这种数学表示, 可以表示为: 使用矩阵形式表示上述表达式: 定义 为激活函数的输入值则可以将上面表达式 表示为: 损失函数的两个特点 BP 算法用于计算网络中所有权重 和偏置 关于损失函数 的偏导数 和 。为了使 BP 算法正常运行,损失函数需要满足两个条件。在给出这两个条件前,我们先介绍一种常用的均方差损失函数,如式 所示: 表达式

博客样式分享

拥有回忆 提交于 2019-11-28 14:48:24
声明:这份代码是 BNDong 大佬写的 为了方便萌新使用我就贴出来啦 记得先申请CSS权限 CSS代码框: #EntryTag{margin-top:20px;font-size:9pt;color:gray}.topicListFooter{text-align:right;margin-right:10px;margin-top:10px}#divRefreshComments{text-align:right;margin-right:10px;margin-bottom:5px;font-size:9pt}*{margin:0;padding:0}html{height:100%;max-height:100%;font-size:62.5%;-webkit-tap-highlight-color:rgba(0,0,0,0)}body{background-color:#fff;font-size:12px;max-height:100%;font-family:"Merriweather","Open Sans","Microsoft Jhenghei","Microsoft Yahei",sans-serif;color:#3a4145;-moz-font-feature-settings:'kern' 1;-o-font-feature-settings:'kern

es6 实现dialog组件的封装

痴心易碎 提交于 2019-11-28 14:14:31
<!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> .k-dialog { width: 30%; z-index: 2001; display: block; position: absolute; background: #fff; border-radius: 2px; box-shadow: 0 1px 3px rgba(0, 0, 0, .3); margin: 0 auto; top: 15vh; left: 30%; display: none; } .k-wrapper { position: fixed; left: 0px; top: 0px; bottom: 0px; right: 0px; background: black; opacity: 0.4; z-index: 2000; display: none; } .k-header { padding: 20px 20px

关于—— !important

我是研究僧i 提交于 2019-11-28 14:03:42
定义及语法 !important是CSS1就定义的语法,作用是 提高指定样式 规则的应用 优先权 。语法格式{ cssRule !important },即 写在定义的最后面,例如: box{ color:red !important; } 解释:在box中color为red的优先级最高。 W3c的解释 CSS企图创造一个平衡作者和用户之间的级层样式表。 默认情况下,CSS规则按级层覆盖,例如在.CSS文件中的定义可以被style标签的定义覆盖,反之则不行。 然而,对覆盖平衡而言,加上一个“!important”就优先于正常的CSS规则。 例: p { text-indent: 1em ! important } p { font-style: italic ! important } p { font-size: 18pt } p { text-indent: 1.5em} p { font: normal 12pt sans-serif} p { font-size: 24pt } 注: Font属性是以上属性的快捷方式,属性如下: 属性名称: 'font'属性值: [ [ <'font-style'> || <'font-variant'> || <'font-weight'> ]? <'font-size'> [ / <'line-height'> ]? <'font

Kali-Linux-美化与优化

前提是你 提交于 2019-11-28 13:49:26
照理说,linux的桌面是不应当存在在这个世界上的,作为一个linux用户,一味捣鼓桌面显得hin~不专业。但是,虚拟机要用到,浏览器要用到……更何况,自己的老婆能不打扮一下么? update:2019-01-23 07:59:12 效果预览 截屏工具 项目地址: https://github.com/lupoDharkael/flameshot 安装方式: sudo apt-get install flameshot 启动方式:flameshot gui 图标制作 有的手动编译后,没有生成图标,启动后也无法加入左侧dash的收藏,启动不方便。 另外,有的应用关联设置,比如说想要双击打开JAR文件,环境应用没有图标的话,也不会出现在备选列表中。需要手动写一个启动方式,提高效率。 三种 命令行关联,在/usr/bin/目录下创建软连接, cd /usr/bin/ sudo ln -s /opt/xxx/jadx jadx 或者导入/etc/profile,环境变量配置方法后续补充。 创建桌面或者程序图标,/usr/share/applications/xxx.desktop 或者直接放到桌面上 cat Desktop/010editor-desktop.desktop : [Desktop Entry] Version=1.0 Type=Application Name=010

使用Booststrap布局网页页面

China☆狼群 提交于 2019-11-28 13:46:56
<!DOCTYPE html><html lang="zh-CN"><head> <meta charset="utf-8"> <meta http-equiv="X-UA-Compatible" content="IE=edge"> <meta name="viewport" content="width=device-width, initial-scale=1"> <!-- 上述3个meta标签*必须*放在最前面,任何其他内容都*必须*跟随其后! --> <title>Bootstrap案列</title> <!-- Bootstrap --> <link href="css/bootstrap.min.css" rel="stylesheet"> <!-- jQuery (Bootstrap 的所有 JavaScript 插件都依赖 jQuery,所以必须放在前边) --> <script src="js/jquery-3.2.1.min.js"></script> <!-- 加载 Bootstrap 的所有 JavaScript 插件。你也可以根据需要只加载单个插件。 --> <script src="js/bootstrap.min.js"></script> <style> .padding-top { padding-top: 10px; } .search

机器学习之logist回归

泪湿孤枕 提交于 2019-11-28 13:42:29
必要的数学概念 1、离散型随机变量及分布规律 1.1:0-1分布(两点分布)(伯努利分布) :当 时,其分布函数为 ,期望为E=1*p+0*(1-p)=p,方差:D=p(1-p) 1.2:二项分布(n重伯努利分布) :分布函数: ,期望 E=np,方差:D = np(1-p) 1.3:泊松分布 : 分布函数 ,期望E= λ,方差D= λ 2、最大似然估计(Likelihood) :通过参数选择使已知数据最大概率出现 在条件概率中 P(X| θ ) 表示在 θ条件下,X出现的概率,与之对应的就是似然函数: L( θ|X )已知数据X 在参数 θ 的作用下的概率,数值上等于P(X| θ )。 几种常见的线性回归 ①线性回归; f(Xi)=WXi+b,其中Xi为特征,W与b是需要确定的参数,模型训练就是获得最佳的W与b 线性回归中的 损失函数 :用来衡量W与b是否最佳,使用均方误差。 均方误差J(θ)=∑[f(Xi)-y]^2 。目标是使得误差最小,利用偏导来求,偏导为0则为最优解,求最小误差的这个过程称为最小二乘。 利用偏导求得最优解为: 最小二乘: 估计值与实际值之差的平方和最小。凸显优化的特点。 ② 多元线性回归 ,W是一个向量, ,同样也可通过最小二乘求得最优解为 所以最终获得的多元线性模型为 ③对数线性回归 : ④logistic回归(对数几率回归) , 基于sigmoid函数