11、从语法中解耦特定应用代码

从语法中解耦特定应用代码

在使用 ANTLR 语法正式定义语言后,我们需要为语法注入活力,使其能构建语言应用。因为单纯的语法用处有限,解析器只能判断输入语句是否符合语言规范,而构建应用需要解析器在遇到特定输入时触发特定操作。本文将介绍如何使用解析树监听器和访问器来构建语言应用,以及如何让语法与特定应用代码解耦。

1. 从嵌入式操作到监听器的演变

以往我们习惯在语法中嵌入操作(代码)来构建语言应用,但实际上可以不这样做。监听器和访问器机制能将语法与应用代码解耦,带来诸多好处:
- 应用封装性更好 :避免将应用代码分散在语法中,而是将其封装起来。
- 语法可重用 :无需重新编译生成的解析器,就能在不同应用中重用同一语法。
- 支持多语言 :无嵌入式操作的语法,ANTLR 可生成不同编程语言的解析器。
- 易于集成更新 :无需担心因嵌入式操作导致的合并冲突。

下面是一个带有嵌入式操作的属性文件语法示例:

grammar PropertyFile;
file : {«start file»} prop+ {«finish file»} ;
prop : ID '=' STRING '\n' {«process property»} ;
ID : [a-z]+ ;
STRING : '"' .*? '"' ;

这种紧密耦合使语法只能用于特定应用。更好的做法是创建 Prop

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值