<ul class="tab-list" data-features-nav2 data-nav> <li><a href="#all2-positions">总览</a></li> <li class="active"><a href="#oxford-positions">牛津</a></li> <li><a href="#basic-positions" class="__active">基础</a></li> <li><a href="#distribution-positions">分布</a></li> <li><a href="#exams-positions">真题</a></li> </ul>这是ankik卡片的代码，如何修改代码使得默认显示牛津而不是基础

您可以将 `<li class="active"><a href="#oxford-positions">牛津</a></li>` 中的 `class="active"` 移除，然后将 `<li><a href="#basic-positions" class="__active">基础</a></li>` 中的 `class="__active"` 修改为 `class="active"`。这样修改后的代码如下所示：

<ul class="tab-list" data-features-nav2 data-nav>
  <li><a href="#all2-positions">总览</a></li>
  <li class="active"><a href="#oxford-positions">牛津</a></li>
  <li><a href="#basic-positions">基础</a></li>
  <li><a href="#distribution-positions">分布</a></li>
  <li><a href="#exams-positions">真题</a></li>
</ul>

这样修改后，页面加载时默认会显示牛津选项卡。

相关问题

function A=hminired(A) %HMINIRED Initial reduction of cost matrix for the Hungarian method. % %B=assredin(A) %A - the unreduced cost matris. %B - the reduced cost matrix with linked zeros in each row. % v1.0 96-06-13. Niclas Borlin, niclas@cs.umu.se. [m,n]=size(A); % Subtract column-minimum values from each column. colMin=min(A); A=A-colMin(ones(n,1),:); % Subtract row-minimum values from each row. rowMin=min(A')'; A=A-rowMin(:,ones(1,n)); % Get positions of all zeros. [i,j]=find(A==0); % Extend A to give room for row zero list header column. A(1,n+1)=0; for k=1:n % Get all column in this row. cols=j(k==i)'; % Insert pointers in matrix. A(k,[n+1 cols])=[-cols 0]; end

这部分代码实现了对代价矩阵的约化。先对每一列减去其最小值，再对每一行减去其最小值。这样约化后的矩阵中至少有一个元素为 0。接下来，找到所有为 0 的元素的位置，对于每一行，在矩阵的最后一列新增一个指针，指向该行中所有为 0 的元素所在的列。这样，在匈牙利算法中寻找增广路径时，只需要遍历每一行中所有指向未匹配列的指针，找到增广路径的起点。

该代码报错为ValueError Traceback (most recent call last) <ipython-input-34-5f15418b3570> in <module> ----> 1 model.summary() /opt/conda/lib/python3.7/site-packages/keras/engine/training.py in summary(self, line_length, positions, print_fn, expand_nested, show_trainable) 2774 if not self.built: 2775 raise ValueError( -> 2776 'This model has not yet been built. ' 2777 'Build the model first by calling `build()` or by calling ' 2778 'the model on a batch of data.') ValueError: This model has not yet been built. Build the model first by calling `build()` or by calling the model on a batch of data.

根据报错信息，模型尚未被构建。在调用 `model.summary()` 之前，需要先构建模型。你可以通过调用 `build()` 方法或者将模型应用于一批数据来构建模型。

如果你选择调用 `build()` 方法来构建模型，可以将其添加在 `model = Sequential([...])` 语句后面，如下所示：

model = Sequential([
    tf.keras.layers.Dense(units=25, activation="relu"),
    tf.keras.layers.Dense(units=15, activation="relu"),
    tf.keras.layers.Dense(units=10, activation="softmax")
])

model.build(input_shape=(None, input_size))  # 替换 input_size 为输入数据的大小

如果你选择将模型应用于一批数据来构建模型，可以将其添加在 `model.summary()` 之前，如下所示：

model = Sequential([
    tf.keras.layers.Dense(units=25, activation="relu"),
    tf.keras.layers.Dense(units=15, activation="relu"),
    tf.keras.layers.Dense(units=10, activation="softmax")
])

# 将数据应用于模型以构建模型
model(tf.zeros((1, input_size)))  # 替换 input_size 为输入数据的大小

model.summary()  # 显示模型概要信息

在上述代码中，将 `input_size` 替换为你输入数据的大小。通过这些修改，你应该能够成功打印出模型的概要信息。