指定佈景圖片巨細
預設值為auto ，即佈景圖片原始長寬。
length 指定圖片具體巨細的數值，不許可負值。percentage 以背景圖地點元素的百分比指定配景圖大小，不答應負值。length 與percentage 可設定2數值，也可只設定1個數值，當只設定一個數值，另一個數值(高)預設值為auto ，此時高度以背景圖原始寬高比例，主動縮放。cover 首要用於配景圖小於所在的內容，而後臺圖又不適合使用repeat，此時就能夠採用cover的方式，使佈景圖放大至內容的巨細 ，但此方法輕易使背景圖因放大而失真 。contain 與cover正好相反，首要用於靠山圖大於所在內容，但卻需要將配景圖完全顯現，此時便可採用contain的方式，使佈景圖縮小至內容的巨細 。
效果顯現 為了讓顯現效果有明顯的區別，類型中的屬性預設為： width:300px;height:200px;border:1px solid #CCC;background:#FFFFFF url(bg.jpg) no-repeat left top;
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
網頁設計
在利用CSS的時辰，用某些殊效能讓網站更有活力，假如運用JQUERY又太過複雜 用CSS寫下列代碼
.chimga{
margin:10px;
width:100%;
height:100%;
box-sizing:border-box;
overflow:hidden;
display:block;
}
.chimga:hover img{
-moz-transform:scale(1.3) rotate(2deg);
-webkit-transform:scale(1.3) rotate(2deg);
-o-transform:scale(1.3) rotate(2deg);
-ms-transform:scale(1.3) rotate(2deg);
transform:scale(1.3) rotate(2deg);
}
複製代碼
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
官方文件鏈結 網頁設計 https://docs.ultralytics.com/models/ 程式碼
from ultralytics import YOLO
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
if __name__ == '__main__':
# Load a COCO-pretrained YOLOv8n model
model = YOLO('yolov8n.pt')
# Display model information (optional)
model.info()
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)
# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model('bus.jpg')
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
影片 VIDEO 伺服馬達接線圖 黃線 接 GPIO27 、 紅線 接 5V 、 黑線 接 GND ESP32 電力只能推動一個馬達，假如要鞭策兩個馬達就要外接電源了 程式碼
#include <Servo.h>
Servo myservo; // 建樹伺服馬達節制
// 伺服馬達的毗連 GPIO
static const int servoPin = 27;
int pos = 0;
void setup() {
// put your setup code here, to run once:
myservo.attach(servoPin); // 將伺服馬達毗連的GPIO pin毗連伺服物件
Serial.begin(115200);//序列阜連線速度
}
void loop() {
// put your main code here, to run repeatedly:
if(Serial.available()){ //
int num = Serial.parseInt(); // case 前置 num(數字鍵)
switch(num) { //
case 1 : //1~9
for(pos = 0; pos < 180; pos += 1) // 一度一度由 0 度旋轉到 180 度
myservo.write(pos);
delay(200);
break;
case 2 : // 1~9
for(pos = 180; pos>=1; pos-=1) // 一度一度由 180 度扭轉到 0 度
myservo.write(pos);
delay(200);
break;
}
}
}
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
網頁設計
這篇文章將诠釋若何在 RHEL 8 或 CentOS 8 上安裝和設定 Samba。您還將領會若何使用 samba 將 RHEL 8 或 CentOS 8 系統中的資料夾共用到 Windows 電腦。
Windows 和 Linux 系統的構造分歧，二者之間的和平共處常常是個挑戰。感謝 Samba，兩個系統目前可以透過網路共享檔案和資料夾。那什麼是森巴舞呢？ Samba 是一種免費的開源協議，許可以簡單、無縫的體式格局在兩個系統之間共用檔案。您可以在 Linux 伺服器上具有一個 Samba 伺服器，託管 Windows 用戶端可以存取的各類檔案和資料夾。
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
今天我們要跟各人分享幾個製作滿版背景圖的方法。
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
用ESP32 PWM實現LED慢慢亮起。網頁設計 https://randomnerdtutorials.com/esp32-pwm-arduino-ide/
// the number of the LED pin
const int ledPin = 16; // 16 corresponds to GPIO16
// setting PWM properties
const int freq = 5000;
const int ledChannel = 0;
const int resolution = 8;
void setup(){
// configure LED PWM functionalitites
ledcSetup(ledChannel, freq, resolution);
// attach the channel to the GPIO to be controlled
ledcAttachPin(ledPin, ledChannel);
}
void loop(){
// increase the LED brightness
for(int dutyCycle = 0; dutyCycle <= 255; dutyCycle++){
// changing the LED brightness with PWM
ledcWrite(ledChannel, dutyCycle);
delay(15);
}
// decrease the LED brightness
for(int dutyCycle = 255; dutyCycle >= 0; dutyCycle--){
// changing the LED brightness with PWM
ledcWrite(ledChannel, dutyCycle);
delay(15);
}
}
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
Devrama Slider 是個圖象滑塊，帶有很多十分有趣的特性。
它不僅撐持圖象還撐持HTML 內容。響應式方便CSS3 轉換轉換結果進度條高級的預加載和延遲加載CSS 自界說用戶可以界說導航或者節制器
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
在測試 mnist 數字辨識時 代碼來源 https://hackmd.io/@Maxlight/SkuYB0w6_#3-hyperparameter
import torch
from torch.utils import data as data_
import torch.nn as nn
from torch.autograd import Variable
import matplotlib.pyplot as plt
import torchvision
import os
EPOCH = 1
BATCH_SIZE = 50
LR = 0.001
DOWNLOAD_MNIST = False
train_data = torchvision.datasets.MNIST(root = './mnist',train = True,transform = torchvision.transforms.ToTensor(),download = DOWNLOAD_MNIST)
print(train_data.train_data.size())
print(train_data.train_labels.size())
plt.ion()
for i in range(11):
plt.imshow(train_data.train_data[i].numpy(), cmap = 'gray')
plt.title('%i' % train_data.train_labels[i])
plt.pause(0.5)
plt.show()
train_loader = data_.DataLoader(dataset = train_data, batch_size = BATCH_SIZE, shuffle = True,num_workers = 2)
test_data = torchvision.datasets.MNIST(root = './mnist/', train = False)
test_x = torch.unsqueeze(test_data.test_data, dim = 1).type(torch.FloatTensor)[:2000]/255.
test_y = test_data.test_labels[:2000]
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
self.conv1 = nn.Sequential(
nn.Conv2d(in_channels = 1, out_channels = 16, kernel_size = 5, stride = 1, padding = 2,),# stride = 1, padding = (kernel_size-1)/2 = (5-1)/2
nn.ReLU(),
nn.MaxPool2d(kernel_size = 2),
)
self.conv2 = nn.Sequential(
nn.Conv2d(16, 32, 5, 1, 2),
nn.ReLU(),
nn.MaxPool2d(2)
)
self.out = nn.Linear(32*7*7, 10)
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x.view(x.size(0), -1)
output = self.out(x)
return output, x
cnn = CNN()
print(cnn)
optimization = torch.optim.Adam(cnn.parameters(), lr = LR)
loss_func = nn.CrossEntropyLoss()
for epoch in range(EPOCH):
for step, (batch_x, batch_y) in enumerate(train_loader):
bx = Variable(batch_x)
by = Variable(batch_y)
output = cnn(bx)[0]
loss = loss_func(output, by)
optimization.zero_grad()
loss.backward()
optimization.step()
if step % 50 == 0:
test_output, last_layer = cnn(test_x)
pred_y = torch.max(test_output, 1)[1].data.numpy()
accuracy = float((pred_y == test_y.data.numpy()).astype(int).sum()) / float(test_y.size(0))
print('Epoch: ', epoch, '| train loss: %.4f' % loss.data.numpy(), '| test accuracy: %.2f' % accuracy)
test_output, _ = cnn(test_x[:10])
pred_y = torch.max(test_output, 1)[1].data.numpy()
print(pred_y, 'prediction number')
print(test_y[:10].numpy(), 'real number')
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
有在利用Google Maps的人，多幾多少必然都有利用到Google地圖 找四周景點餐廳。
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
資料庫常常是有看沒有懂 圖解秒懂SQL說話 網頁設計
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
記得筆者曾經寫過一篇「用 JavaScript 來做偽浮水印」，那時是用 JavaScript 來寫的，得經由較量爭論才能把版權宣佈的圖片放在右下角。現在筆者把全部效果用 jQuery 來改寫，並把本來要較量爭論的版權宣告圖片位置換成 background-position 的體例來控制，這樣想放那就只要設定一下就行了。 我們的 HTML 就是很純真的圖片罷了： 檢視原始碼 HTML
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
這篇文章將诠釋若何在 RHEL 8 或 CentOS 8 上安裝和設定 Samba。您還將認識若何利用 samba 將 RHEL 8 或 CentOS 8 系統中的資料夾共用到 Windows 電腦。
Windows 和 Linux 系統的佈局分歧，兩者之間的和平共處往往是個挑戰。感謝 Samba，兩個系統目前可以透過網路同享檔案和資料夾。那什麼是森巴舞呢？ Samba 是一種免費的開源和談，答應以簡單、無縫的體式格局在兩個系統之間共用檔案。您可以在 Linux 伺服器上具有一個 Samba 伺服器，託管 Windows 用戶端可以存取的各類檔案和資料夾。
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
指定配景圖片大小
預設值為auto ，即佈景圖片原始長寬。
length 指定圖片具體巨細的數值，不允許負值。percentage 以背景圖地點元素的百分比指定靠山圖大小，不許可負值。length 與percentage 可設定2數值，也可只設定1個數值，當只設定一個數值，另一個數值(高)預設值為auto ，此時高度以佈景圖原始寬高比例，主動縮放。cover 首要用於配景圖小於所在的內容，而背景圖又不適合使用repeat，此時就可以採用cover的體例，使背景圖放大至內容的巨細 ，但此方式輕易使後臺圖因放大而失真 。contain 與cover正好相反，首要用於後臺圖大於地點內容，但卻需要將後臺圖完全呈現，此時便可採用contain的方式，使後臺圖縮小至內容的巨細 。
結果出現 為了讓出現結果有顯著的區別，範例中的屬性預設為： width:300px;height:200px;border:1px solid #CCC;background:#FFFFFF url(bg.jpg) no-repeat left top;
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
網頁設計
官方文件鏈結 https://docs.ultralytics.com/models/ 程式碼
from ultralytics import YOLO
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
if __name__ == '__main__':
# Load a COCO-pretrained YOLOv8n model
model = YOLO('yolov8n.pt')
# Display model information (optional)
model.info()
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)
# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model('bus.jpg')
valeritmfov8 發表在 痞客邦 留言 (0) 人氣(
https://www.ipse.io/
