权重

*/ /*--> */ 盒模型 CSS定义所有的元素都可能拥有像盒子一样的外形和平面空间，即都包含 边界、边框、补白、内容区域 网页中的大部分对象，实际呈现形式都是一个个盒子形状对象,页面都是由一个个盒子形状的区域拼合而成的。 盒模型关系到网页设计中排版、布局、定位等操作，任何元素都必须遵循盒模型规则。 包含： margin border padding content(内容) padding(内边距) 设定页面中一个元素内容到元素边缘（边框）之间的距离 规定了内容到达元素边缘的位置关系 规定了子元素与父元素的位置关系 注* Padding是添加在原有的大小之上的，若想保持元素大小不变，需从元素的原有大小上减去后添加的padding值 border(边框属性) 语法： border:边框宽度 边框风格 边框颜色 border-style:设定边框风格 border-style:none(无)/solid(实现)/dotted(点划线)/dashed(虚线)/double(双线) border-width:设定边框宽度 border-width:数值 单位px border-color:设定边框颜色 border-color:颜色 边框类型：（不常用属性值）groove定义3D凹槽边框 ridge定义3D垄状边框 inset outset定义3D边框（都取决于边框颜色） margin

Solr高亮 原理 做搜索时，高亮是很常见的需求，那么Solr肯定也为高亮提供了支持。先解释下Solr高亮的原理，在我们设置了需要高亮显示的Field之后，查询得到的返回结果会多出来下面的内容： 周杰伦 其实就是多了highlighting的字段，并没有改变原来返回的字段内容。 Json串是使用 Unique Field ：{高亮显示的内容}的形式。 SolrJ有三种高亮类型： 如果要对某field做高亮显示，必须对该field设置stored=true Standard Highlighter ，根据查询的docIdSet，获取Documents，并获取当前document的需要高亮的field的value，根据query的term和该field的value做匹配算法 FastVector Highlighter ，效率比普通的高亮显示要高；需要定义termvector(占用空间和IO)，包括position和offset，根据query term的termvector到field value中做快速的定位标记，进而实现快速的高亮显示 Postings Highlighter ，由于高亮显示需要对field设置为store=true，所有对于单节点数据量比较大并且该字段比较大的话，会消耗大量的IO操作，那么可以把该字段存储在另外的地方，比如Hbase，在外部做高亮显示的匹配。

　　循环神经网络（Recurrent Neural NetWork,RNN）是一种将节点定向连接成环的人工神经网络，其内部状态可以展示动态时序行为。 　　循环神经网络的主要用途是处理和预测序列数据。循环神经网络最初就是为了刻画一个序列当前的输出与之前信息的关系。从网络结构上来看，循环神经网络会记忆之前的信息，并利用之前的信息影响后面节点的输出。也就是说，循环神经网络的隐藏层之间的节点是有连接的，隐藏层的输入不仅包含输入层的输出，还包括上一时刻隐藏层的输出。 　　 　　 　　如图为典型的RNN结构示意图。RNN主体结构的输入，除了来自输入层的x t 还有一个循环的边来提供上一时刻的隐层状态S t 。在每一时刻，RNN的模块在读取了X t 和S t-1 之后会产生新的隐藏状态S t ,并产生本时刻的输出O t 。RNN当前的状态是由上一时刻的状态S t-1 和当前的输入X t 共同决定的。对于一个序列数据，可以将这个序列上不同时刻的数据依次传入循环神经网络的输入层；而输出既可以是对序列下一时刻的预测，也可以是对当前时刻信息的处理结果。循环神经网络要求每一时刻都有一个输入，但是不一定每个时刻都有输出。 　　网络在t时刻接收到输入Xt之后，隐藏层的值是S t ，输出值是O t 。S t 的值不仅仅取决于S t ，还取决于S t-1 。可以用下面的公式来表示。 　　　　　　O t =g(V

CSS存放位置 CSS代码可以被我们放在很多的位置，已关心的有三种写法：内嵌CSS、外链CSS、行内CSS。 内嵌CSS： 指的就是将CSS代码写在HTML网页中。 外链CSS： 指的就是将CSS代码写在外部的独立CSS文件中。 行内CSS： 指的就是将CSS代码写在具体的HTML标签身上。 注意：依据浏览器渲染页面的原理，我们选择将CSS代码写在HTML文件靠前的位置。 使用外链CSS写法的时候，外部独立的CSS代码文件当中不需要写style标签，同时还需要通过link标签将某个CSS文件引入带具体的HTML文件当中【rel属性对不要省略】 <link rel="stylesheet" type="text/css" href="目录CSS文件路径"/> 对于 上述的三种CSS文件存放位置来说，行内CSS的权重是最高，但是外链与内嵌并不存在谁一定大于谁的现象（权重），它的控制能力完全取决于个字是用的选择器权重 如果想要直接将某一个样式的权重提至最高，我们只需要在该句CSS代码的最后设置！important <style type="text/css"> 　　div{ 　　　　color: red!important; 　　} </style> 1、音频标签 H5指的就是HTML5这个新的语言标准，在HTML5当中定义了一个audio的标签，可以直接引入一段声音资源到网页当中

在 快速理解web语义化 的时候，只知道web语义化有利于 SEO 和便于屏幕阅读器阅读，但并不知道它是如何有利于 SEO 和便于阅读器阅读的，带着这个疑问，进行了一番探索总结。 SEO 什么是SEO？ SEO （Search Engine Optimization，搜索引擎优化 ），是一种利用搜索引擎的搜索规则来提高目的网站在有关搜索引擎内的排名的方式。通俗来讲就是根据搜素引擎的规则来优化你的网站，让你的网站能够在用户的搜索结果中排在前面，提高网站的访问量。 SEO常用方式 采用DIV+CSS布局 采用div-css布局的网站对于搜索引擎很是友好，因此其避免了Table嵌套层次过多而无法被搜索引擎抓取的问题，而且简洁、结构化的代码更加有利于突出重点和适合搜索引擎抓取。 尽量不使用表格布局，因为搜索引擎对表格布局嵌套3层以上的内容懒的去抓取。 TDK优化 TDK，即 title , description , keywords 。 一、title 在 SEO 中，标题的优化占着举足轻重的地位，无论是从用户体验的角度出发，还是从搜索引擎的排名效果出发， title 都是页面优化最最重要的因素。 title 的分隔符一般有 , ， _ ， - 和空格。其中 _ 对百度比较友好，而 - 对谷歌比较友好，空格在英文站点可以使用但中文少用。 推荐做法： 每个网页应该有一个独一无二的标题

论文： https://arxiv.org/abs/1812.01866 代码： https://github.com/bingykang/Fewshot_Detection 1.研究背景 深度卷积神经网络最近在目标检测方面的成功很大程度上依赖于大量带有准确边界框标注的训练数据。当标记数据不足时，CNNs会严重过度拟合而不能泛化。计算机视觉系统需要从少量样本中进行检测的学习能力，因为一些对象类别天生就样本稀缺，或者很难获得它们的注释。 这种只有少量样本的检测称为few-shot目标检测问题。获得一个few-shot的检测模型对许多应用都是有用的。然而，目前任然缺乏有效的方法。最近，元学习为类似的问题提供了很多可行的解决方案。但是目前的一些模型都是用于few-shot分类，而目标检测在本质上要困难得多，因为它不仅涉及到类的预测，还涉及到目标的定位，因此现成的few-shot分类方法不能直接应用于few-shot检测问题。以匹配网络和原型网络为例，由于图像中可能存在无关类的分散注意力的对象或根本没有目标对象，如何构建匹配和定位的对象原型还不清楚。 2.本文解决方案 本文提出了一种新的检测模型，该模型通过充分利用一些基类的检测训练数据，并根据几个support examples快速调整检测预测网络来预测新的类，从而提供few-shot的学习能力。提出的模型首先从基类中学习元特征

20182316胡泊 2019-2020-1 《数据结构与面向对象程序设计》第10周学习总结 教材学习内容总结 第十九章 图 什么是图 1.图的概念 概念：我理解的图就是由内容和相互关系组成的非线性的存储数据的形式，具体来说就是由结点来存储元素，连线代表关系。 树中的每个结点都只有一个父结点，如果我们允许一个结点连通多个其他结点，树就变成了图。 术语： 顶点(Vertex)：图中的数据元素。 边(Edge)：图中各个顶点之间的连接。 邻接/邻居：两个顶点之间有一条边，则称这两个顶点是邻接的。 路径：连接两个顶点之间的一系列边称为两个顶点间的路径，边的条数称为路径长度（路径长度=顶点数-1）。 环路：首顶点与末顶点相同且路径中没有边重复的路径。 分类： 【是否有方向】无向图和有向图 【每条边带有权重或代价】加权图/网络（加权图可以是有向的也可以是无向的） 1.无向图 无向图 :是一种边为无序结点对的图。在无向图中，(A,B)(B,A)指的是一条边，表示A与B之间有一条两个方向都连通的边。 完全 ：一个无向图是完全的，说明对于有n个顶点的无向图，图中有n(n-1)/2条边。 连通 ：如果无向图中的任何两个顶点之间都存在一条路径，则认为该无向图是连通的。 同时连通还分为强连通和弱连通（非强连通），强连通图中，任何两个顶点之间都是连通的，就是说任何两个顶点之间都至少有一条路径。

一文搞懂神经网络 人工智能是这几年非常火的技术，上至九十九下至刚会走都对人工智能或多或少的了解。神经网络是人工智能的核心，也就是说没有神经网络就没有人工智能，那么这篇文章就带大家学习一下神经网络相关的知识。这篇文章没有数学公式、没有代码，旨在帮助读者快速掌握神经网络的核心知识。 https://ai.51cto.com/art/201911/606086.htm 【51CTO.com原创稿件】人工智能是这几年非常火的技术，上至九十九下至刚会走都对人工智能或多或少的了解。神经网络是人工智能的核心，也就是说没有神经网络就没有人工智能，那么这篇文章就带大家学习一下神经网络相关的知识。这篇文章没有数学公式、没有代码，旨在帮助读者快速掌握神经网络的核心知识。 一、什么神经网络 概念 所谓神经网络简单说就是包含多个简单且高度相连的元素的系统，每个元素都会根据输入来处理相关信息。神经网络是由节点（神经元）组成，这些节点相互链接，信息传入到输入层之后由多个隐藏层进行处理，处理完后再传递给输出层进行最终处理。这里所说的最终处理有可能是输出结果，也有可能是作为输入数据传入到另外的神经网络或者节点进行下一轮的处理。 在上面的内容中我们多次提到节点，那么什么是节点呢？节点也被称为神经元，是一个神经网络的基本单元。它通过接收输入的数据来计算出应该输出的数据，输入的数据可能来自于其他节点或者是外部的输入源

1、!important，加在样式属性值后，权重值为 10000 2、内联样式，如：style=””，权重值为1000 3、ID选择器，如：#content，权重值为100 4、类，伪类和属性选择器，如： content、:hover 权重值为10 5、标签选择器和伪元素选择器，如：div、p、:before 权重值为1 6、通用选择器（*）、子选择器（>）、相邻选择器（+）、同胞选择器（~）、权重值为0 来源： https://www.cnblogs.com/jack123/p/11928297.html

下面是本文对图操作的小结： 邻接表 邻接矩阵 空间复杂度 O(|V|+ |E|) O(|V|²) 添加 顶点 O(1) O(|V|²) 移除 顶点 O(|V| + |E|) O(|V|)² 添加 边 O(1) O(1) 移除 边 (基于 Array 实现) O(|E|) O(1) 移除 边 (基于 HashSet 实现) O(1) O(1 获取 相邻的顶点 O(|E|) O(|V|) 判断 是否相邻 (基于 Array 实现) O(|E|) O(1) 判断 是否相邻 (基于 HashSet 实现) O(1) O(1) 图的基础 图是一种（包含若干个节点），每个 节点 可以连接 0 个或多个元素 两个节点相连的部分称为 边（edge） 。节点也被称作 顶点（vertice） 。 一个顶点的 度（degree） 是指与该顶点相连的边的条数。比如上图中，紫色顶点的度是 3，蓝色顶点的度是 1。 如果所有的边都是双向（译者注：或者理解为没有方向）的，那我们就有了一个 无向图（undirected graph） 。反之如果边是有向的，我们得到的就是 有向图（directed graph） 。你可以将有向图和无向图想象为单行道或双行道组成的交通网。 此外，无环无向图也被称为 树（tree） 。 在图中，从一个顶点出发，并非所有顶点都是可到达的。可能会存在孤立的顶点或者是相分离的子图