placeholder | 易学教程

Change placeholder color of textInput shiny widget

阅读更多关于 Change placeholder color of textInput shiny widget

问题 with some CSS code found in different old posts on Stackoverflow I managed to change the placeholder colour of every selectizeInput and selectInput widget of my shinyapp, but it seems that this code doesn't work for the textInput widgets. Below you can find a basic reproducible example: library(shiny) ui <- fluidPage( tags$style(HTML("::placeholder { /* Chrome, Firefox, Opera, Safari 10.1+ */ color: red; opacity: 1; /* Firefox */} :-ms-input-placeholder { /* Internet Explorer 10-11 */ color:

Change placeholder color of textInput shiny widget

阅读更多关于 Change placeholder color of textInput shiny widget

一、Tensorflow新手入门

阅读更多关于一、Tensorflow新手入门

1、MacOS Tensorflow(CPU版本)下载和安装 pip3 install tensorflow 2、Tensorflow的基本用法使用图(graph)来表示计算任务在回话(Session)的上下文(context)中执行图使用tensor表示数据通过变量(Variable)维护状态使用feed和fetch可以为任意的操作赋值或者从中获取数据　　综述：Tensorflow图中的节点称为op(operation),一个op获得o个或者多个tensor(数据)来执行计算，产生0个或者多个tensor(数据)，每个tensor是一个类型化的多维数组　　计算图：Tensorflow程序通常分为构建阶段和执行阶段，构建阶段：op的执行步骤被描述成一个图，执行阶段：使用回话执行图中的op 　　构建图：构建图的第一步是创建源op(源op不需要任何输入，如常量Constant)，源op的输出被传递给其它op做运算。Tensorflow Python库有一个默认图，op构造器可以为图增加节点 import tensorflow as tf # 创建一个常量op(节点),产生一个1X2矩阵 # 添加到默认图中 # 构造器的返回值代表该常量的op的返回值 matrix1 = tf.constant([[3., 3.]]) # 创建一个常量op(节点),产生一个2X1矩阵

公用js方法

阅读更多关于公用js方法

1. js全局替换空格，制表符，换行符 oninput = "value=value.replace(/\s+/g,'')" <input type="text" id="productTransactionCode" value="" oninput = "value=value.replace(/\s+/g,'')" placeholder="若此项不填，无法关联主站出单" οnblur="checkExistence('code关联重复')"/> 2.控制input框只让输入数字 oninput = "value=value.replace(/[^\d]/g,'')" <input type="text" id="payment" oninput = "value=value.replace(/[^\d]/g,'')" value="" placeholder="缴费年期必须是数字"/> 来源： CSDN 作者： qq_31594647 链接： https://blog.csdn.net/qq_31594647/article/details/104439839

jQuery——jQuery控制css和HTML

阅读更多关于 jQuery——jQuery控制css和HTML

jQuery控制CSS <head> <script type="text/javascript" src="./js/jquery-3.3.1.js"><script> <script type="text/javascript"> $(function(){ //给按钮添加点击事件 $('#btn').click(function(){ //前面设置div样式的简便写法 $('#div1').css('width':200,'height':200,'background-color':red); }); }); </script> </head> <body> <div id="div1"></div> <button id='btn'>点击</button> </body> jQuery控制HTML 添加标签 append()：在被选元素的结尾插入内容 prepend()：在被选元素的开头插入内容 after()：在被选元素之后插入 before()：在被选元素之前插入内容案例： <head> <script type="text/javascript" src="./js/jquery-3.3.1.js"><script> <script type="text/javascript"> $(function(){ //给按钮添加点击事件 $('#btn').click

MNIST手写数字分类simple版（03-2）

阅读更多关于 MNIST手写数字分类simple版（03-2）

simple版本nn模型训练手写数字处理 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist=input_data.read_data_sets("MNIST_data", one_hot=True) #每个批次的大小 batch_size=100 #计算一共有多少批次 n_batch=mnist.train.num_examples // batch_size #定义两个placeholder x=tf.placeholder(tf.float32,[None,784]) y=tf.placeholder(tf.float32,[None,10]) #创建一个简单的神经网络 W=tf.Variable(tf.zeros([784,10])) b=tf.Variable(tf.zeros([1,10])) prediction=tf.nn.softmax(tf.matmul(x,W)+b) #二次代价函数 loss=tf.reduce_mean(tf.square(y-prediction)) #使用剃度下降法 train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)

tensorflow非线性回归（03-1）

阅读更多关于 tensorflow非线性回归（03-1）

这个程序为简单的三层结构组成：输入层、中间层、输出层要理清各层间变量个数 import numpy as np import matplotlib.pyplot as plt import tensorflow as tf #使用numpy生成200个随机点 x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis] noise=np.random.normal(0,0.02,x_data.shape) y_data=np.square(x_data)+noise #定义两个placeholder x=tf.placeholder(tf.float32,[None,1]) y=tf.placeholder(tf.float32,[None,1]) #定义神经网络中间层 Weights_L1=tf.Variable(tf.random_normal([1,10])) biases_L1=tf.Variable(tf.zeros([1,10])) Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1 L1=tf.nn.tanh(Wx_plus_b_L1) #定义神经网络输出层 Weights_L2=tf.Variable(tf.random_normal([10,1])) biases_L2=tf

Tensorflow从入门到精通之——Tensorflow基本操作

阅读更多关于 Tensorflow从入门到精通之——Tensorflow基本操作

前边的章节介绍了什么是Tensorflow，本节将带大家真正走进Tensorflow的世界，学习Tensorflow一些基本的操作及使用方法。同时也欢迎大家关注我们的网站和系列教程： http://www.tensorflownews.com / ，学习更多的机器学习、深度学习的知识！ Tensorflow是一种计算图模型，即用图的形式来表示运算过程的一种模型。Tensorflow程序一般分为图的构建和图的执行两个阶段。图的构建阶段也称为图的定义阶段，该过程会在图模型中定义所需的运算，每次运算的的结果以及原始的输入数据都可称为一个节点（operation ，缩写为op）。我们通过以下程序来说明图的构建过程：程序2-1：程序2-1定义了图的构建过程，“import tensorflow as tf”，是在python中导入tensorflow模块,并另起名为“tf”；接着定义了两个常量op，m1和m2，均为1*2的矩阵；最后将m1和m2的值作为输入创建一个矩阵加法op，并输出最后的结果result。我们分析最终的输出结果可知，其并没有输出矩阵相加的结果，而是输出了一个包含三个属性的Tensor(Tensor的概念我们会在下一节中详细讲解，这里就不再赘述)。以上过程便是图模型的构建阶段：只在图中定义所需要的运算，而没有去执行运算。我们可以用图2-1来表示：图2-1

1.搭建神经网络基本流程

阅读更多关于 1.搭建神经网络基本流程

定义添加神经层的函数 1.训练的数据 2.定义节点准备接收数据 3.定义神经层：隐藏层和预测层 4.定义 loss 表达式 5.选择 optimizer 使 loss 达到最小然后对所有变量进行初始化，通过 sess.run optimizer，迭代 1000 次进行学习： import tensorflow as tf import numpy as np # 添加层 def add_layer(inputs, in_size, out_size, activation_function=None): # add one more layer and return the output of this layer Weights = tf.Variable(tf.random_normal([in_size, out_size])) biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) Wx_plus_b = tf.matmul(inputs, Weights) + biases if activation_function is None: outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b) return outputs # 1.训练的数据 #

spring 占位符默认值

阅读更多关于 spring 占位符默认值

问题：今天结合spel使用占位符时，存在没有配置文件中没有配置项的情况，就想给配置一个默认值、解决方案： public abstract class PlaceholderConfigurerSupport extends PropertyResourceConfigurer implements BeanNameAware, BeanFactoryAware { /** Default placeholder prefix: {@value} */ public static final String DEFAULT_PLACEHOLDER_PREFIX = "${"; /** Default placeholder suffix: {@value} */ public static final String DEFAULT_PLACEHOLDER_SUFFIX = "}"; /** Default value separator: {@value} */ public static final String DEFAULT_VALUE_SEPARATOR = ":"; DEFAULT_VALUE_SEPARATOR 就是默认的分隔符使用方式： ${jdbc.name：testname}即可，此时如果没有jdbc.name配置项，则使用testname作为值来源：

订阅 placeholder