首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

语义化HTML:i、b、em和strong标签

一、前言                             在HTML4.1中i和b作为表象标签分别表示斜体和粗体样式,而强调样式与内容分离的XHTML中则出现样式效果相同的em和strong表义标签...,此时我们会建议避免使用i和b标签,应该改用em和strong标签。  ...   3. em标签     W3C草案: The em element represents a span of text with emphatic stress....W3C specification    语义化的 元素 表示:局部范围内强调的内容,用于改变句子或段落的侧重点。注意其作用范围为局部,也就是阅读到某段落或句子时才会注意到。...四、参考                           http://www.zhangxinxu.com/wordpress/2011/11/i-b-em-strong-html5-%E8%AF

1.1K90
您找到你想要的搜索结果了吗?
是的
没有找到

jquery 获取所有的标签

jQuery获取所有标签在前端开发中,使用jQuery能够方便地操作DOM元素。有时候我们需要获取页面上所有的HTML标签,可以通过jQuery来实现。...本文将介绍如何使用jQuery获取所有的标签,并展示一个简单的示例代码。使用jQuery获取所有的标签jQuery提供了选择器来筛选和操作DOM元素,通过使用通配符*可以选择所有的标签。...在控制台中会打印出页面上所有标签元素的标签名称。示例代码演示下面是一个简单的示例代码,演示了如何使用jQuery获取所有的标签,并在页面上展示出来:htmlCopy code jQuery - 获取所有标签 <script src="https://code.<em>jquery</em>.com/<em>jquery</em>...通过这种方法,我们可以使用<em>jQuery</em>方便地获取页面上的所有<em>标签</em>,并进行进一步的处理和操作。 希望这篇技术博客能帮助您理解如何使用<em>jQuery</em>获取所有的<em>标签</em>。感谢阅读!

9910

EM算法

推导EM算法之前,先引用《统计学习方法》中EM算法的例子: 例1. (三硬币模型) 假设有3枚硬币,分别记作A,B,C。这些硬币正面出现的概率分别为π,p和q。...EM算法 1.模型说明 考虑一个参数估计问题,现有 ? 共n个训练样本,需有多个参数θ去拟合数据,那么这个log似然函数是: ?...2.EM算法推导 这小节会对EM算法进行具体推导,许多跟上面例子的解法推导是相同的,如果已经懂了,可以加速阅读。...值,依次迭代,EM算法就实现了。 选取初始值θ0初始化θ,t=0 Repeat { E步: ? M步: ?...}直到收敛 EM算法的基本思路就已经理清,它计算是含有隐含变量的概率模型参数估计,能使用在一些无监督的聚类方法上。

1.1K80

EM算法

总第82篇 01|概念及原理: EM算法是一种迭代算法,用于含有隐变量的概率模型参数的极大似然估计,或极大后验概率估计。...EM算法的每次迭代分两步完成:E步,求期望(expectation);M步,求极大值(maximization).所以这一算法称为期望极大算法,简称EM算法。(你看懂了吗?反正我第一次看是一脸懵。...算法,也可以说是EM算法的目的就是求取这个模型的最大化参数。...03|算法步骤: EM算法就是通过迭代求L(θ)=logP(Y|θ)的极大似然估计。 EM算法步骤的第一步就是设定一个参数初值,这是人为设定的,这个值将会影响后续的参数迭代。...Q函数: Q函数其实就是L(θ),也就是EM算法其实就是求取Q函数的极大值。 04|EM算法的应用: EM算法常用在非监督学习问题中,即训练数据只有输入没有对应的输出。

1K60

EM算法原理总结

这就是EM算法可以派上用场的地方了。...EM算法解决这个的思路是使用启发式的迭代方法,既然我们无法直接求出模型分布参数,那么我们可以先猜想隐含数据(EM算法的E步),接着基于观察数据和猜测的隐含数据一起来极大化对数似然,求解我们的模型参数(EM...上面对EM算法的描述还很粗糙,我们需要用数学的语言精准描述。 2. EM算法的推导 至此,我们理解了EM算法中E步和M步的具体数学含义。 3. EM算法流程 现在我们总结下EM算法的流程。...EM算法的收敛性思考 EM算法的流程并不复杂,但是还有两个问题需要我们思考: 1) EM算法能保证收敛吗? 2) EM算法如果收敛,那么能保证收敛到全局最大值吗?...首先我们来看第一个问题, EM算法的收敛性。要证明EM算法收敛,则我们需要证明我们的对数似然函数的值在迭代的过程中一直在增大。

1.4K80

EM算法原理总结

本文就对EM算法的原理做一个总结。 01 EM算法要解决的问题 我们经常会从样本观察数据中,找出样本的模型参数。 最常用的方法就是极大化模型分布的对数似然函数。...这就是EM算法可以派上用场的地方了。...EM算法解决这个的思路是使用启发式的迭代方法,既然我们无法直接求出模型分布参数,那么我们可以先猜想隐含数据(EM算法的E步),接着基于观察数据和猜测的隐含数据一起来极大化对数似然,求解我们的模型参数(EM...不过没关系,我们基于当前得到的模型参数,继续猜测隐含数据(EM算法的E步),然后继续极大化对数似然,求解我们的模型参数(EM算法的M步)。...04 EM算法收敛性思考 EM算法的流程并不复杂,但是还有两个问题需要我们思考:   1) EM算法能保证收敛吗?   2) EM算法如果收敛,那么能保证收敛到全局最大值吗?

83020

理解EM算法

本文对EM算法的基本原理进行系统的阐述,并以求解高斯混合模型为例说明其具体的用法。文章是对已经在清华大学出版社出版的《机器学习与应用》一书中EM算法的讲解,对部分内容作了扩充。...EM算法在机器学习中有大量成功的应用,典型是求解高斯混合模型,隐马尔可夫模型。如果你要求解的机器学习模型中有隐变量存在,并且要估计模型的参数,EM算法很多时候是首选算法。...高斯混合模型 EM算法的目标是求解似然函数或后验概率的极值,而样本中具有无法观测的隐含变量。下面以聚类问题和高斯混合模型为例进行说明。...下图直观的解释了EM算法的原理 ? EM算法示意图 图中的蓝色曲线为要求解的对数似然函数,黄色曲线为构造出的下界函数。...Maximum Likelihood from Incomplete Data via the EM Algorithm.

1.2K30
领券