本文目录

1. 你觉得学习网页设计怎么样
2. 有什么可以对比两张图片得出相似度的软件

你觉得学习网页设计怎么样

我从2001年开始从事学做网页，完全是个人爱好，和自己专业相去甚远。2005年毕业从事专职网页设计工作，做过2年网站设计师，一年网页设计培训，先是美工程序都自己做，现在专业从事网站程序设计，通过自己走的路我把我的一些学习时的经验和你说说吧1、无论你将来用什么语言做网页，都要先学习HTML（超文本标识语言），一种很简单的语言，也是网页设计的基础，自学一般几天就可以学会，必须要学，尽管现在有三剑客这样的可视化的设计软件。2、掌握HTML以后，其实你就可以设计一些简单的静态页面了，再接下来就是学习可视化设计软件，比如网页三剑客中的DREAMWEAVER（推荐），和微软的FRONTPAGE，都是可视化的页面结构设计软件，可视化的意思，就是可以用软件中现成的按钮或选项来帮你快速制作网页，代码由软件代替你自动生成，可以大幅提高效率。3、页面设计学好以后，可以学习FLASH动画和PHOTOSHOP，都用得到。4、学完这些，恭喜你，你已经可以设计简单的网站了，但如果想工作，那还不行，因为现在大大小小的网站都是动态页面，需要学习动态设计语言和数据库知识。5、动态语言有很多，比如ASP、JSP、PHP、CGI等等，就不一一列举了，我自己现在用的是ASP和PHP，其中，相对来说ASP和PHP比较容易学习，小型网站多采用ASP，PHP可以通吃一切网站，建议学习PHP，可以根据你的具体情况选择学习。6、数据库：小型数据库主要有ACCESS、中大型有MYSQL、SQLSERVER和ORACLE，建小型网站简单学学ACCESS就可以了，如果建大型站，就要学后面3种了。建议学习PHP+MYsql组合，大中小型网站通吃，而且网站空间也好买。上面6个步骤学习完成你基本上就可以以网站为工作了，不过现在网络公司一般都是批量批量的做网站，他们不需要你美工和程序一起做，他们将做网页页面（PHOTOSHOP+Flash）的称为网页设计师，把专业做程序的叫程序设计师，例如我现在就是做PHP+MYSQL的，叫程序设计师，因为人的能力是有限的，让什么都自己做实在有些力不从心。不过一般建议大家都会一点，这样可以相互促进。好了，上面就谈谈学做网站的经验和建议，是我学习网站设计以后回过头再看网页制作学习的经验，也是看了一个同行在QQ问问里面的一篇回答后的总结，希望对你有帮助，有问题可以问我。

有什么可以对比两张图片得出相似度的软件

我们熟悉的欧氏距离虽然很有用，但也有明显的缺点。它将样品的不同属性（即各指标或各变量）之间的差别等同看待，这一点有时不能满足实际要求。例如，在教育研究中，经常遇到对人的分析和判别，个体的不同属性对于区分个体有着不同的重要性。因此，有时需要采用不同的距离函数。??如果用dij表示第i个样品和第j个样品之间的距离，那么对一切i，j和k，dij应该满足如下四个条件：①当且仅当i=j时，dij=0②dij＞0③dij＝dji（对称性）④dij≤dik＋dkj（三角不等式）??显然，欧氏距离满足以上四个条件。满足以上条件的函数有多种，本节将要用到的马氏距离也是其中的一种。??第i个样品与第j个样品的马氏距离dij用下式计算：dij=(xi一xj)‘S-1(xi一xj)???其中，xi和xj分别为第i个和第j个样品的m个指标所组成的向量，S为样本协方差矩阵。马氏距离有很多优点。它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关；由标准化数据和中心化数据(即原始数据与均值之差）计算出的二点之间的马氏距离相同。马氏距离还可以排除变量之间的相关性的干扰。它的缺点是夸大了变化微小的变量的作用。------------------------------------------------------------------------欧氏距离定义：欧氏距离（Euclideandistance）是一个通常采用的距离定义，它是在m维空间中两个点之间的真实距离。在二维和三维空间中的欧式距离的就是两点之间的距离，二维的公式是d=sqrt((x1-x2)^(y1-y2)^)三维的公式是d=sqrt(x1-x2)^(y1-y2)^(z1-z2)^)推广到n维空间，欧式距离的公式是d=sqrt(∑(xi1-xi2)^)这里i=1,2..nxi1表示第一个点的第i维坐标,xi2表示第二个点的第i维坐标n维欧氏空间是一个点集,它的每个点可以表示为(x(1),x(2),...x(n)),其中x(i)(i=1,2...n)是实数,称为x的第i个坐标,两个点x和y=(y(1),y(2)...y(n))之间的距离d(x,y)定义为上面的公式.欧氏距离看作信号的相似程度。距离越近就越相似，就越容易相互干扰，误码率就越高。--------------------------------------------------------------------------------马氏距离是由印度统计学家马哈拉诺比斯(P.C.Mahalanobis)提出的，表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧式距离不同的是它考虑到各种特性之间的联系（例如：一条关于身高的信息会带来一条关于体重的信息，因为两者是有关联的），并且是尺度无关的(scale-invariant)，即独立于测量尺度。下面是关于马氏距离的计算方法（参考：http://topic.csdn.net/u/20080911/14/f4402565-3b4f-4de4-a4fa-f4c020dd1477.html）两个样本：His1={3,4,5,6}His2={2,2,8,4}它们的均值为：U={2.5,3,6.5,5}协方差矩阵为：S=|0.250.50-0.750.50||0.501.00-1.501.00||-0.75-1.502.25-1.50||0.501.00-1.501.00|其中S(i,j)={[His1(i)-u(i)]*[His1(j)-u(j)][His2(i)-u(i)]*[His2(j)-u(j)]}/2下一步就是求出逆矩阵S^(-1)马氏距离D=sqrt{[His1-His2]*S^(-1)*[(His1-His2)的转置列向量]}欧氏距离（http://en.wikipedia.org/wiki/Euclidean_distance）即两项间的差是每个变量值差的平方和再平方根，目的是计算其间的整体距离即不相似性。马氏距离（Mahalanobisdistances）1）马氏距离的计算是建立在总体样本的基础上的，这一点可以从上述协方差矩阵的解释中可以得出，也就是说，如果拿同样的两个样本，放入两个不同的总体中，最后计算得出的两个样本间的马氏距离通常是不相同的，除非这两个总体的协方差矩阵碰巧相同；2）在计算马氏距离过程中，要求总体样本数大于样本的维数，否则得到的总体样本协方差矩阵逆矩阵不存在，这种情况下，用欧式距离来代替马氏距离，也可以理解为，如果样本数小于样本的维数，这种情况下求其中两个样本的距离，采用欧式距离计算即可。3）还有一种情况，满足了条件总体样本数大于样本的维数，但是协方差矩阵的逆矩阵仍然不存在，比如A（3，4），B（5，6）；C（7，8），这种情况是因为这三个样本在其所处的二维空间平面内共线（如果是大于二维的话，比较复杂？？？）。这种情况下，也采用欧式距离计算。4）在实际应用中“总体样本数大于样本的维数”这个条件是很容易满足的，而所有样本点出现3）中所描述的情况是很少出现的，所以在绝大多数情况下，马氏距离是可以顺利计算的，但是马氏距离的计算是不稳定的，不稳定的来源是协方差矩阵，这也是马氏距离与欧式距离的最大差异之处。我们熟悉的欧氏距离虽然很有用，但也有明显的缺点。它将样品的不同属性（即各指标或各变量）之间的差别等同看待，这一点有时不能满足实际要求。马氏距离有很多优点。它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关；由标准化数据和中心化数据(即原始数据与均值之差）计算出的二点之间的马氏距离相同。马氏距离还可以排除变量之间的相关性的干扰。它的缺点是夸大了变化微小的变量的作用。?马氏距离的计算：[plain]viewplaincopyprint?%欧氏距离和马氏距离的计算?x=[12;13;22;31];?[mx,nx]=size(x);?Dis=ones(mx,nx);%产生全1的矩阵?C=cov(x);%计算协方差?fori=1:mx???forj=1:nx?????D(i,j)=((x(i,:)-x(j,:))*inv(C)*(x(i,:)-x(j,:))‘)^0.5;???end?end?D??Y=pdist(x,‘mahal‘)?y=squareform(Y)?[plain]viewplaincopyprint??结果：前面.................

好了，关于html图片怎么弄好看和html图片怎么写的问题到这里结束啦，希望可以解决您的问题哈！