技术标签: vue
element-ui的组件大致分为以下几类:
组件分类的大致意思
basic组件类型
是一些关于页面布局、按钮和icon等相关类型的组件。
关于布局方面有Layout栅格布局和Container布局容器等等
Layout布局:
Container容器布局:
form组件类型
form包含了所有与表单相关的组件
比如Upload上传组件
data组件类型
data组件类型是展示数据的显示方式
data组件类型中的Table组件,是以table表格的形式将数据显示出来
还比如data组件类型中的Tree树形控件,就是将数据以树状的形态展示出来,结构清晰明了。
Notice组件类型
该组件类型主要是给用户一些提示信息。
比如Alert警告、Loading加载、Message消息提示、MessageBox弹框以及Notification通知。
前面两个都是使用html标签的形式经行展示。后面的三种都是通过调用API的形式进行展示
使用html标签形式经行展示:
<el-alert
title="成功提示的文案"
type="success">
</el-alert>
调用API进行展示:
this.$confirm('此操作将永久删除该文件, 是否继续?', '提示', {
confirmButtonText: '确定',
cancelButtonText: '取消',
type: 'warning'
}).then(() => {
this.$message({
type: 'success',
message: '删除成功!'
});
}).catch(() => {
this.$message({
type: 'info',
message: '已取消删除'
});
});
Navigation组件类型
为网站提供导航功能的菜单
一般有NavMenu导航菜单、BreadMenu面包屑导航等这些组件
NavMenu效果展示:
BreadMenu效果展示:
Others组件类型
用的比较多的就是Dialog对话框和Tootip文字提示
Dialog对话框就是不用多说,就是一个卡片视图的对话框。
至于Tootip的效果就是当鼠标放在某个元素上时,会出现一个小的提示框,对这个元素经行一些提示
Dialog对话框:
Tootip提示box:
MessageBox弹框
如上面所说的,MessageBox弹框是一种使用API方式进行调用的组件。具体的代码如下:
this.$confirm('此操作将永久删除该文件, 是否继续?', '提示', {
confirmButtonText: '确定',
cancelButtonText: '取消',
type: 'warning'
}).then(() => {
this.$message({
type: 'success',
message: '删除成功!'
});
}).catch(() => {
this.$message({
type: 'info',
message: '已取消删除'
});
});
以上是官方提供的源代码,但是当我学习了async/await这种解决异步问题的语法之后,我们要对这个promise的API进行改造:
// 在前面要对调用该API的函数前加上async
const resultStr = await this.$confirm('此操作将永久删除该文件, 是否继续?', '提示', {
confirmButtonText: '确定',
cancelButtonText: '取消',
type: 'warning'
}).catch(err => err)
// 注意后面一定要加上捕获错误的函数catch,否则调用时会出错
// 这个promise对象会返回两个字符串值,cancel和confirm。
// 可以根据返回值做之后的逻辑处理
if(resultStr===confirm){
...
}else if(resultStr===cancel){
...
}
Upload上传
<el-upload
class="upload-demo"
action="https://jsonplaceholder.typicode.com/posts/"
:on-preview="handlePreview"
:on-remove="handleRemove"
:file-list="fileList"
list-type="picture">
<el-button size="small" type="primary">点击上传</el-button>
<div slot="tip" class="el-upload__tip">只能上传jpg/png文件,且不超过500kb</div>
</el-upload>
注意:这里的Upload有一个坑,就是在上传的时候没有调用自己本地设置的axios请求拦截器。
一般axios请求拦截器会设置一项携带token的设置,但是Upload组件并不会使用拦截器,而是在封装的时候调用自己内部的设置
所以要使用Upload本身的一个属性,来使这个组件携带token值 ===> headers属性,接收一个对象
<el-upload :headers=''headersObj>
</el-upload>
data(){
return {
headersObj:{
Authorization:window.sessionStorage.getItem('token)
}
}
}
首先找到你的项目目录创建 .gitignore 文件然后把不想提交的文件的文件名输入进去类似:/vendor/node_modules/public/storageHomestead.yamlHomestead.json.env.idea特殊技巧:# 此为注释 – 将被 Git 忽略*.a # 忽略所有 .a 结尾的文件!lib.a # 但 lib...
p4 in 2019/12/9论文名称:Knowledge Aware Conversation Generation with Explainable Reasoning over Augmented Graphs… … … :基于可解释图推理的知识感知对话生成模型论文作者:Zhibin Liu, Zheng-Yu Niu, Hua Wu, Haifeng Wang论文来源:EMNL...
[code="java"] public static String getPercent(int x, int total){ double result=(x*1.0)/(total*1.0); System.out.println(result); DecimalFormat df1=new DecimalFormat("0.0000%"); ...
《NEURQURI: NEURAL QUESTION REQUIREMENT INSPECTOR FOR ANSWERABILITY PREDICTION IN MACHINE READING COMPREHENSION》这篇文章是Samsung research and South Korea发表在2020 ICLR上的。主要是针对机器阅读理解当中的不可回答问题,提出了一个自己的模块和一种新的...
论文的Motivation是大部分效果比较好的RL算法都是基于大量的人工特征,而Deep Neural Network(CNN等)已经在图像等领域被证明具有很好的直接从原始数据中提取高层特征的能力,因此很自然的想到将Deep Neural Network与RL算法结合。但是Deep learning与reinforcement learning有很大的不同:1. deep learning...
两数之和给定一个整数数组 nums 和一个整数目标值 target,请你在该数组中找出 和为目标值 target 的那 两个 整数,并返回它们的数组下标。你可以假设每种输入只会对应一个答案。但是,数组中同一个元素在答案里不能重复出现。你可以按任意顺序返回答案。示例 1:输入:nums = [2,7,11,15], target = 9输出:[0,1]解释:因为 nums[0] + nums[1] == 9 ,返回 [0, 1] 。示例 2:输入:nums = [3,2,4], tar.
目录MotivationSpatial Squeeze and Channel Excitation BlockChannel Squeeze and Spatial Excitation BlockSpatial and Channel Squeeze &amp; Excitation Block在目前的图像分割领域中,作者提出了一种别致的思路来增强网络分割效果,它通过对fe...
tableau在V10版本内嵌了一个工具,Data Interpreter,作用是自动去适配一些Excel中的格式。在数据不是特别复杂的情况下,你其实可以通过Data Interpreter 自动处理,但它并不能百分之百解决这些问题。tableau通过KB发布了这篇文章,总结了常见的不合适的格式,强烈建议大家按照这些建议规整数据。比如,请不要使用合并单元格、居中、字体这些扩展信息。因为这些扩展的信...
DL难以应用于RL的原因标签:DL需要大量标签好的训练集,而RL在一个具有延迟性、噪声、稀疏性的标量reward signal中学习。这种延迟存在于action 和其reward之中,使得难以建立出类似监督学习中输入与目标的直接关联 相关性:DL中的样本数据之间是不互相影响的,而RL 的state序列是高度相关性的(因此导致其样本也是高度相关性的)。 概率分布:DL中的数据分布概率是固定的...
转自:http://www.cnblogs.com/lyhabc/archive/2013/02/10/2909761.html当大家发现数据库查询性能很慢的时候,大家都会想到加索引来优化数据库查询性能,但是面对一个复杂的SQL语句,找到一个优化的索引组合对人脑来讲,真的不是一件很简单的事。好在SQLSERVER提供了两种“自动”功能,给你建议,该怎么调整索引第一种...
感谢作者的翻译与总结http://blog.csdn.net/songrotek/article/details/50581011来源:NIPS 2013作者:DeepMind理解基础:增强学习基本知识深度学习 特别是卷积神经网络的基本知识创新点:第一个将深度学习模型与增强学习结合在一起从而成功地直接从高维的输入学习控制策略具
散点图示例代码:import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns# 数据准备N = 1000x = np.random.randn(N)#随机生成N个点y = np.random.randn(N)# 用Seaborn画散点图df = pd.Data...