首页-结构 avi|学习笔记

简介: 快速学习 首页-结构 avi

开发者学堂课程【移动 Web 前端开发:首页-结构 avi】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/594/detail/8495


首页-结构 avi

 

使用适配方案完成首页

通过 ren 达到适配,

rem:基于根元素 html 元素的字体大小来的单位。

less 适配类型结合 rem 达到适配类型,因为用自己写 rem 做维护不方便。js插件能在浏览器直接运行解析,

代码如下:

<link rel=" stylesheet" type= "text/less" href= "less/main.less"/><script src=" assets/less/less. min. js"></script>要先引入一个 less,

再引入 script,通过 js 解析,所以在实际应用中不适用。

接下来利用适配方案完成苏宁页面。

index.html 结构如下:

<!DOCTYPE html>

<html>

<head lang="en">

<meta charset="UTF-8" >

<meta name= "Viewport" content= "width=device-width, initial-scale=1.0, user-scalable=e"/>

<title>苏宁-25</title>

<link rel="stylesheet" type="text/less" href="less/main.less"/>

<script src="assets/less/less .min.js"></script>

< /head>

<body>

<!--主体容器->

<div class="sn_ layout">

<!--头部搜索—>

<header class="sn_ search" ></header>

<1--轮图-->

<div class="sn_ banner"></div>

<!--导航-->

<nav class="sn_ nav"></nav>

<footer class="sn_tabs"></footer>

</div>

<script src="js/index.js"></script>

</body>

</html>

model.less模块代码如下:

@charset "utf-8" ;

// reset css

*,::before, ::after{

box-sizing: border-box;

-webkit-box- sizing: border-box;

}

body{

font-size: 14px;

font- family: ‘Microsoft YaHei' ,sans-serif;;

}

相关文章
|
10月前
|
机器学习/深度学习 算法
《深度剖析:凸优化与梯度下降的紧密关系》
凸优化和梯度下降是机器学习与数学优化中的核心概念。凸优化旨在最小化凸函数在凸集合上的取值,其特性保证了局部最优即为全局最优,简化了求解过程。梯度下降则通过迭代更新参数,沿负梯度方向逐步减小目标函数值。两者紧密关联:凸函数的良好性质确保梯度下降能可靠收敛至全局最优,且在实际应用中广泛使用,如线性回归和逻辑回归。掌握它们的关系对解决复杂优化问题至关重要。
213 4
莉莉丝-游戏用户日志分析
莉莉丝游戏用户日志分析案例图
|
存储 机器学习/深度学习 自然语言处理
大模型Prompt-Tuning技术进阶
近年来,随着Prompt-Tuning技术的崛起,研究者们发现,在拥有超过10亿参数的大规模模型上,采用Prompt-Tuning相较于传统的Fine-tuning方法能带来显著的性能提升。特别是在小样本甚至零样本学习场景下,Prompt-Tuning能够极大地激发模型的潜力。这一成就的取得主要归功于三个关键因素:模型庞大的参数量、训练过程中使用的海量语料,以及精心设计的预训练任务。
|
机器学习/深度学习 数据采集 人工智能
【AI大模型】Transformers大模型库(十一):Trainer训练类
【AI大模型】Transformers大模型库(十一):Trainer训练类
614 0
|
存储 SQL 人工智能
AnalyticDB for MySQL:AI时代实时数据分析的最佳选择
阿里云云原生数据仓库AnalyticDB MySQL(ADB-M)与被OpenAI收购的实时分析数据库Rockset对比,两者在架构设计上有诸多相似点,例如存算分离、实时写入等,但ADB-M在多个方面展现出了更为成熟和先进的特性。ADB-M支持更丰富的弹性能力、强一致实时数据读写、全面的索引类型、高吞吐写入、完备的DML和Online DDL操作、智能的数据生命周期管理。在向量检索与分析上,ADB-M提供更高检索精度。ADB-M设计原理包括分布式表、基于Raft协议的同步层、支持DML和DDL的引擎层、高性能低成本的持久化层,这些共同确保了ADB-M在AI时代作为实时数据仓库的高性能与高性价比
|
Java 计算机视觉
我的自描外挂制作日志——FPS类游戏的自瞄【优化改进2】
我的自描外挂制作日志——FPS类游戏的自瞄【优化改进2】
355 0
|
机器学习/深度学习 测试技术
LLM-Blender:大语言模型也可以进行集成学习
最近在看arxiv的时候发现了一个有意思的框架:LLM-Blender,它可以使用Ensemble 的方法来对大语言模型进行集成。
627 0
|
机器学习/深度学习 决策智能
矩阵分析 (三) 矩阵的标准形
矩阵分析 (三) 矩阵的标准形
1536 0
|
机器学习/深度学习
动手学深度学习(六) 凸优化(下)
动手学深度学习(六) 凸优化(下)
195 0
动手学深度学习(六) 凸优化(下)
|
机器学习/深度学习
动手学深度学习(六) 凸优化(上)
动手学深度学习(六) 凸优化(上)
354 0
动手学深度学习(六) 凸优化(上)