CSS3--5.顏色屬性

HTML5中添加了一些新的顏色的表示方式
1.RGBA:說得簡單一點就是在RGB的基礎上加進了一個通道Alpha。RGBA在RGB的基礎上多了控制alpha透明度的參數。以上R、G、B三個參數,正整數值的取值范圍為:0 - 255。百分數值的取值范圍為:0.0% - 100.0%。超出范圍的數值將被截至其最接近的取值極限。并非所有瀏覽器都支持使用百分數值。A參數,取值在0~1之間,不可為負值。RGBA比元素設置CSS的透明度更好,因為單獨的顏色可以在不影響整個元素的透明度,他不會影響到元素其他的屬性,比如說邊框,字體同時也不會影響到其他元素的相關透明度
a)語法:
?R:紅色值。正整數 | 百分數
?G:綠色值。正整數 | 百分數
?B:藍色值。正整數| 百分數
?A:透明度。取值0~1之間
b)使用示例:
div{width: 200px;height: 200px;background-color: rgba(10,20,245,0.5);color: white;
}
2. HSLA(H,S,L,A):
a)此色彩模式與HSL相同,只是在HSL模式上新增了Alpha透明度
b)語法:
?H:Hue(色調,色相)。0(或360)表示紅色,120表示綠色,240表示藍色,也可取其他數值來指定顏色。取值為:0 – 360,過渡為:(紅橙黃綠青藍紫紅)
?S:Saturation(飽和度)。取值為:0.0% - 100.0%
?L:Lightness(亮度)。取值為:0.0% - 100.0%,50%是平衡值
?A:Alpha透明度。取值0~1之間。
c)示例
span{width: 200px;height: 200px;display: block;background-color: hsla(360,100%,50%,0.6);color: white;
}
3.關于透明度的補充說明:
a)opacity只能針對整個盒子設置透明度,子盒子及內容會繼承父盒子的透明度
b)transparent 不可調節透明度,始終完全透明
c)使用rgba 來控制顏色,相對opacity ,不具有繼承性
<style>*{padding: 0;margin: 0;}div{width: 200px;height: 200px;border: 1px solid #ccc;/*1.使用預設了值*/background-color: red;}</style>
</head>
<body><div>這是內容</div>
</body>

969404-20190313184555286-651963040.png

/*2.使用顏色拾取器*/
background-color: #c9ffa6;

969404-20190313184650047-1177918492.png

/*rgb(紅,綠,藍)*/
background-color: rgb(255,150,0);

969404-20190313184723524-812027844.png

/*hsl(顏色(0~360),飽和度(0%~100%),明度(0%~100%))*/
/*明度默認是50%,一般建議保留50的值*/
background-color: hsl(300,100%,50%);

969404-20190313184748916-1387546277.png

 /*h5中的顏色設置*/
/*rgba(紅色,綠色,藍色,透明度)透明度:0代表完全透明  1代表完成不透明  不會影響子元素*/
background-color: rgba(255,0,255,0.2);

969404-20190313184819544-933654277.png

轉載于:https://www.cnblogs.com/Tobenew/p/10525092.html

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/news/387258.shtml
繁體地址,請注明出處:http://hk.pswp.cn/news/387258.shtml
英文地址,請注明出處:http://en.pswp.cn/news/387258.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

邏輯回歸的通俗解釋 邏輯回歸的定位

1 邏輯回歸的定位 首先&#xff0c;邏輯回歸是一種分類&#xff08;Classification&#xff09;算法。比如說&#xff1a; 給定一封郵件&#xff0c;判斷是不是垃圾郵件給出一個交易明細數據&#xff0c;判斷這個交易是否是欺詐交易給出一個腫瘤檢查的結果數據&#xff0c;判斷…

機器學習08機器學習系統設計

首先要做什么 一個垃圾郵件分類器算法為例&#xff1a; 為了解決這樣一個問題&#xff0c;首先要做的決定是如何選擇并表達特征向量 x。 可以選擇一個由 100 個最常出現在垃圾郵件中的詞所構成的列表&#xff0c;根據這些詞是否有在郵件中 出現&#xff0c;來獲得我們的特…

數學筆記1——導數1(導數的基本概念)

什么是導數導數是高數中的重要概念&#xff0c;被應用于多種學科。從物理意義上講&#xff0c;導數就是求解變化率的問題&#xff1b;從幾何意義上講&#xff0c;導數就是求函數在某一點上的切線的斜率。我們熟知的速度公式&#xff1a;v s/t&#xff0c;這求解的是平均速度&a…

python接口自動化(四)--接口測試工具介紹(詳解)

簡介 “工欲善其事必先利其器”&#xff0c;通過前邊幾篇文章的介紹&#xff0c;大家大致對接口有了進一步的認識。那么接下來讓我們看看接口測試的工具有哪些。 目前&#xff0c;市場上有很多支持接口測試的工具。利用工具進行接口測試&#xff0c;能夠提供測試效率。例如&…

機器學習09支持向量機

支持向量機(Support Vector Machines) 在監督學習中&#xff0c;許多學習算法的性能都非常類似&#xff0c;因此&#xff0c;重要的不是你該選擇使用學習算法 A 還是學習算法 B&#xff0c;而更重要的是&#xff0c; 應用這些算法時&#xff0c;所創建的大量數據在應用這些算…

數學筆記2

數學筆記2——導數2(求導法則和高階導數)和、差、積、商求導法則設uu(x),vv(x)都可導&#xff0c;則&#xff1a;(Cu)’ Cu’, C是常數(u v)’ u’ v’(uv)’ u’ v’(u/v)’ (u’v – uv’) / v21、2不解釋&#xff0c;下面給出3、4的推導過程乘法法則的推導過乘法法則…

機器學習10聚類

無監督學習 在非監督學習中&#xff0c;我們需要將一系列無標簽的訓練數據&#xff0c;輸入到一個算法中&#xff0c; 然后讓它找這個數據的內在結構。 我們可能需要某種算法幫助我們尋找一種結構。圖上的數據看起來可以分成兩個分開的點集&#xff08;稱為簇&#xff09;&am…

python 的筆記

語言&#xff1a;Python IDE&#xff1a;Python.IDE 需求 做出彩虹效果 顏色空間 RGB模型&#xff1a;光的三原色&#xff0c;共同決定色相 HSB/HSV模型&#xff1a;H色彩&#xff0c;S深淺&#xff0c;B飽和度&#xff0c;H決定色相 需要將HSB模型轉換為RGB模型 代碼示例&am…

關聯分析(Association analysis)

關聯分析&#xff08;Association analysis&#xff09; 簡介 大量數據中隱藏的關系可以以‘關聯規則’和‘頻繁項集’的形式表示。rules&#xff1a;&#xff5b;Diapers&#xff5d;–>{Beer}說明兩者之間有很強的關系&#xff0c;購買Diapers的消費者通常會購買Beer。 除…

機器學習11主成分分析

降維(Dimensionality Reduction) &#xff1a; 一、 降維目的&#xff1a; 目的一&#xff1a;數據壓縮&#xff08;Data Compression&#xff09; 目的二&#xff1a;數據可視化&#xff08;Visualization&#xff09; 二、 主成分分析&#xff08;PCA&#xff09; 主成分…

使用Apriori進行關聯分析(一)

使用Apriori進行關聯分析&#xff08;一&#xff09;大型超市有海量交易數據&#xff0c;我們可以通過聚類算法尋找購買相似物品的人群&#xff0c;從而為特定人群提供更具個性化的服務。但是對于超市來講&#xff0c;更有價值的是如何找出商品的隱藏關聯&#xff0c;從而打包促…

主成分分析法 (PCA) 用于數據可視化實驗 -- Matlab版

第一步&#xff1a;下載數據集。 https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/multiclass.html#pendigits 第二步&#xff1a;改變數據格式。 注&#xff1a;此數據集的各特征值均為像素&#xff0c;即屬于同一量綱&#xff0c;故無需歸一化步驟。 原格式為&a…

后端視角下的前端框架之Vue.js初探

背景 作為常年搞后端的自己來說&#xff0c;除了多年前學習的一點關于HTML的皮毛&#xff0c;對現在的前端技術棧可謂是一竅不通。但是因為最近在做的內部業務全鏈路監控系統&#xff0c;負責前端的同事做到一半去搞別的項目了&#xff0c;為了把項目落地不得不硬著頭皮學一下前…

機器學習12推薦系統

推薦系統(Recommender Systems) 推薦系統根據瀏覽用戶過去買過什么書&#xff0c;或過去評價過什么電影來判斷并推薦新產品給用戶。 這些系統會為像亞馬遜和網飛這樣的公司帶來很大一部分收入。 因此&#xff0c;對推薦系統性能的改善&#xff0c;將對這些企業的有實質性和…

使用Apriori進行關聯分析(二)

使用Apriori進行關聯分析&#xff08;二&#xff09;書接上文&#xff08;使用Apriori進行關聯分析&#xff08;一&#xff09;&#xff09;&#xff0c;介紹如何挖掘關聯規則。發現關聯規則我們的目標是通過頻繁項集挖掘到隱藏的關聯規則。所謂關聯規則&#xff0c;指通過某個…

Apache Tomcat 7 Configuration BIO NIO AIO APR ThreadPool

Apache Tomcat 7 Configuration Reference (7.0.93) - The Executor (thread pool)https://tomcat.apache.org/tomcat-7.0-doc/config/executor.html Tomat組件研究之ThreadPool - 老碼農的專欄 - CSDN博客https://blog.csdn.net/chen77716/article/details/344764 Tomcat中的線…

數學筆記3——導數3(隱函數的導數)

數學筆記3——導數3&#xff08;隱函數的導數&#xff09;冪函數的擴展形式f(x) xn的導數&#xff1a;f’(x) nxn-1&#xff0c;n是整數&#xff0c;該公式對f(x) xm/n, m,n 是整數同樣適用。推導過程&#xff1a;什么是隱函數引自知乎&#xff1a;“如果方程F(x,y)0能確定y…

機器學習13大規模數據集

大型數據集的學習&#xff08;Learning With Large Datasets&#xff09; 如果我們有一個低方差的模型&#xff0c; 增加數據集的規模可以幫助你獲得更好的結果。 我們應該怎樣應對一個有 100 萬條記錄的訓練集&#xff1f; 以線性回歸模型為例&#xff0c;每一次梯度下降…

svn認證失敗,解決方案

在svnserve.conf:文件中去掉authz-db authz前面的#號&#xff0c;會出現的認證失敗。 造成此原因的主要問題就是authz文件中權限沒有配置好。 例如&#xff1a; 創建prj1庫 svnadmin create prj1 修改配置文件 svnserve.conf: [general] anon-access read auth-access write…

Python機器學習庫sklearn的安裝

Python機器學習庫sklearn的安裝 scikit-learn是Python的一個開源機器學習模塊&#xff0c;它建立在NumPy&#xff0c;SciPy和matplotlib模塊之上能夠為用戶提供各種機器學習算法接口&#xff0c;可以讓用戶簡單、高效地進行數據挖掘和數據分析。 Ubuntu14.04系統上安裝 安裝num…