学习打卡04 小程序03
一、flex布局
{
"pages":[
"pages/index/index"
],
"window":{
"navigationBarBackgroundColor": "#000000", //黑色
"navigationBarTitleText": "发现" //导航标题
},
"sitemapLocation": "sitemap.json" //配置其小程序页面是否允许为微信索引
}
<!--index.wxml-->
<view class = "container">
<view class="listGroup" wx:for="{{list}}" wx:for-item="value" wx:key="value{{index}}">
<view class="listItem" wx:for="{{value}}" wx:for-item="value1" wx:key="value{{index}}">
<image src="{{value1.icon}}"></image>
<text>{{value1.text}}</text>
<image></image>
</view>
</view>
</view>
/**index.wxss**/
.container{
height: 100vh; //100视窗
background-color: silver; //背景色 银色
display: flex; //flex布局
flex-direction: column; //垂直布局
}
.listGroup{
background-color: white;
margin: 20rpx 0; //元素边缘 上下外边距20rpx 左右距离为0
}
.listItem{
display: flex;
flex-direction: row;
align-items: center;
border: 1rpx solid silver;
padding: 10rpx;
}
image{
width: 80rpx;
height: 80rpx;
margin: 0 15rpx;
}
二、循环创建栏目
// index.js
Page({
/**
* 页面的初始数据
*/
data: {
list: [
[
{text:'朋友圈',icon:''}
],
[
{text:'扫一扫',icon:''},
{text:'摇一摇',icon:''}
],
[
{text:'搜一搜',icon:''},
{text:'搜一搜',icon:''}
],
[
{text:'购物',icon:''},
{text:'游戏',icon:''}
],
[
{text:'小程序',icon:''}
],
]
}
})
wxml中绑定循环,用 wx:for, wx:for-item 取别名, wx:key 当前的key值,{{index}}表示当前的索引值
相关推荐
伯禹《动手学深度学习》打卡博客:Task03+Task04
量太大了,我先挑几个我感兴趣的学一下,漏下的等有空再补上了 文章目录一、循环神经网络二、GRU(gated recurrent unit)三、LSTM(长短期记忆) 一、循环神经网络 参考博客:零基础入门深度学习(5) – 循环神经网络 1.循环神经网络最大的用处就是处理序列的信息,即前面和后面的输入是有关系的,比如理解一句话的意思,以及处理视频 2.语言模型:给定一句话前面的成分,预测接下来最有可能的一个词是什么 3.下面是一个简单的RNN模型示意图,它由输入层、隐藏层和输出层组成 4.全连接层:该层的每个节点都和隐藏层的每个节点相连 5.循环神经网络展开后如下: 其中U,V,W都是权
DataWhale组队打卡学习营task04-1 机器翻译
机器翻译和数据集 机器翻译(MT):将一段文本从一种语言自动翻译为另一种语言,用神经网络解决这个问题通常称为神经机器翻译(NMT)。 主要特征:输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 import os os.listdir('/home/kesci/input/') [‘fraeng6506’, ‘d2l9528’, ‘d2l6239’] import sys sys.path.append('/home/kesci/input/d2l9528/') import collections import d2l import zipfile from d2l.
大模型理论基础打卡Task04
大模型理论基础打卡Task04
《动手学深度学习》第二次打卡-学习小队
一、学习任务: Task03:过拟合、欠拟合及其解决方案;梯度消失、梯度爆炸;循环神经网络进阶 Task04:机器翻译及相关技术;注意力机制与Seq2seq模型;Transformer Task05:卷积神经网络基础;leNet;卷积神经网络进阶 二、学习要点 2.1 过拟合、欠拟合及其解决方案 过拟合:太过贴近于训练数据的特征了,在训练集上表现非常优秀,近乎完美的预测/区分了所有的数据,但是在新的测试集上却表现平平 欠拟合:样本不够或者算法不精确,测试样本特性没有学到,不具泛化性,拿到新样本后没有办法去准确的判断 https://blog.csdn.net/xuaho0907/articl
04-考勤系统(小程序).rar
04-考勤系统(小程序)



