overcast

关于一个利用relative的简单布局,firefox上出现一点问题,暂且不明原因

firefox的

chrome的

代码记录

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>anime</title>
</head>
<style>
    div#all
    {
        margin: 0 auto;
        width: 1024px;
        height: 700px;

    }
    div.header
    {
        width: 100%;
        height: 80px;
        background-color: beige;

    }
    div.sidebar
    {
        width: 15%;
        height: 460px;
        background-color: chocolate;

    }
    div#nav ul
    {
        width: 85%;
        margin: 0 auto;
        list-style-type: none;
        position: relative;
        top: -460px;
        left: 57px;
    }
    div#nav ul li
    {
        float: left;
    }
    div#nav ul li a
    {
        width:145px;
        height: 28px;
        background:cornflowerblue;
        color: white;
        display: block;
        text-align: center;
        text-decoration: none;
    }
    div#nav ul li a:hover
    {
        width: 145px;
        height: 26px;
        line-height: 28px;
        color: cornflowerblue;
        background: white;
    }
    div.content
    {
        width: 85%;
        height: 432px;
        background-color: darkseagreen;
        position: relative;
        top: -432px;
        left: 154px;
    }
    div.footer
    {
        width: 100%;
        height: 50px;
        background-color: burlywood;
        position: relative;
        top: -432px;

</style>
<body>
<div id="all">
    <div class="header"></div>
    <div class="sidebar"></div>
    <div id="nav">
        <ul class="nav-content">
            <li><a href="#">首页</a></li>
            <li><a href="#">动画</a></li>
            <li><a href="#">漫画</a></li>
            <li><a href="#">小说</a></li>
            <li><a href="#">讨论</a></li>
            <li><a href="#">下载</a></li>
        </ul></div>
    <div class="content">
        <div class="content-1"></div>
        <div class="content-2"></div>
        <div class="content-3"></div></div>
    <div class="footer"></div>
</div>
</body>
</html>
时间: 2024-10-10 07:25:15

overcast的相关文章

朴素贝叶斯(naive bayes)

#coding=utf-8 #Naive Bayes #Calculate the Prob. of class:clsdef P(data,cls_val,cls_name="class"): cnt = 0.0 for e in data: if e[cls_name] == cls_val: cnt += 1 return cnt/len(data) #Calculate the Prob(attr|cls)def PT(data,cls_val,attr_name,attr_v

CART(决策分类树)原理和实现

前面我们了解了决策树和adaboost的决策树墩的原理和实现,在adaboost我们看到,用简单的决策树墩的效果也很不错,但是对于更多特征的样本来说,可能需要很多数量的决策树墩 或许我们可以考虑使用更加高级的弱分类器,下面我们看下CART(Classification And Regression Tree)的原理和实现吧 CART也是决策树的一种,不过是满二叉树,CART可以是强分类器,就跟决策树一样,但是我们可以指定CART的深度,使之成为比较弱的分类器 CART生成的过程和决策树类似,也是

机器学习系列(9)_机器学习算法一览(附Python和R代码)

本文资源翻译@酒酒Angie:伊利诺伊大学香槟分校统计学同学,大四在读,即将开始计算机的研究生学习.希望认识更多喜欢大数据和机器学习的朋友,互相交流学习. 内容校正调整:寒小阳 && 龙心尘 时间:2016年4月 出处:http://blog.csdn.net/han_xiaoyang/article/details/51191386 http://blog.csdn.net/longxinchen_ml/article/details/51192086 声明:版权所有,转载请联系作者并注

【转载】决策树Decision Tree学习

本文转自:http://www.cnblogs.com/v-July-v/archive/2012/05/17/2539023.html 最近在研究规则引擎,需要学习决策树.决策表等算法.发现篇好文对我这个初学者很有指导价值,先转再细品. 1. 什么是决策树 咱们直接切入正题.所谓决策树,顾名思义,是一种树,一种依托于策略抉择而建立起来的树. 机器学习中,决策树是一个预测模型:他代表的是对象属性与对象值之间的一种映射关系.树中每个节点表示某个对象,而每个分叉路径则代表的某个可能的属性值,而每个叶

中国天气网api

namespace wyl.Weather { /// <summary> /// 天气预报辅助类 /// 接口数据来自于 中国天气网 /// </summary> public class WeatherHelper { private static readonly string appId = ConfigurationManager.AppSettings["appId"].ToString(); private static readonly stri

机器学习概念

机器学习就是把无序的数据转换成实用的信息. 机器学习的主要任务就是分类,通过通过训练数据训练算法,终于能够将实际的数据分到合适的类别中 监督学习算法:预測目标变量的值 k-means算法.线性回归 朴素贝叶斯算法,局部加权线性回归 支持向量机.ridge回归 决策树.lasso最小回归系数预计 无监督学习算法:不须要预測目标变量的值 k-均值.最大期望算法 DBSCAN,parzen窗设计 确定哪种算法之后,还要确定目标变量的类型: 离散型:是/否,1/2/3     分类器算法 连续性:-99

决策树算法

利用ID3算法来判断某天是否适合打网球. (1)类别属性信息熵的计算由于未分区前,训练数据集中共有14个实例, 其中有9个实例属于yes类(适合打网球的),5个实例属于no类(不适合打网球), 因此分区前类别属性的熵为: (2)非类别属性信息熵的计算,若先选择Outlook属性. (3)Outlook属性的信息增益为: (4)同理计算出其他3个非类别属性的信息增益,取最大的那个属性作为分裂节点,此例中最大的是Outlook,进而得到如下图所示: (5)上图中,针对sunny中的子训练数据集分支,

ID3算法(Java实现)

数据存储文件:buycomputer.properties #数据个数 datanum=14 #属性及属性值 nodeAndAttribute=年龄:青/中/老,收入:高/中/低,学生:是/否,信誉:良/优,归类:买/不买 #数据 D1=青,高,否,良,不买 D2=青,高,否,优,不买 D3=中,高,否,良,买 D4=老,中,否,良,买 D5=老,低,是,良,买 D6=老,低,是,优,不买 D7=中,低,是,优,买 D8=青,中,否,良,不买 D9=青,低,是,良,买 D10=老,中,是,良,买

从决策树学习谈到贝叶斯分类算法、EM、HMM

从决策树学习谈到贝叶斯分类算法.EM.HMM 引言 近期在面试中,除了基础 &  算法 & 项目之外,经常被问到或被要求介绍和描写叙述下自己所知道的几种分类或聚类算法(当然,这全然不代表你将来的面试中会遇到此类问题,仅仅是由于我的简历上写了句:熟悉常见的聚类 & 分类算法而已),而我向来恨对一个东西仅仅知其皮毛而不得深入,故写一个有关数据挖掘十大算法的系列文章以作为自己备试之用,甚至以备将来经常回想思考.行文杂乱,但侥幸若能对读者起到一点帮助,则幸甚至哉. 本文借鉴和參考了两本书,