haskell

http://www.haskell.org/ghc/下载地址

入门指南

 

Haskell 是一种通用的纯函数编程语言。这个页面将帮助你尽快迈入 Haskell 的大门。

[ 编辑]

第一步:为什么要学习 Haskell?

John Hughes 写了一篇很好的论文:Why Functional Programming Matters。

[ 编辑]

第二步:安装 Haskell

Haskell 和其它大多数语言一样,有两种执行方式:批量执行的编译方式,和交互执行的解释方式。在交互式环境下,你可以直接在命令行输入你想要计算的表达式,这是一种做实验的好方法。

 

GHC 支持编译和解释方式(GHCi) 可能是特性最全的环境
Hugs 仅支持解释方式 不过相比 GHC 要轻巧得多

GHC 和 Hugs 都在 Windows 上运行。Hugs 是 windows 平台上最好的解释器。如果你想在 Mac OSX 上安装的话,请参看 这里 (flw 注:GHC 和 Hugs 在 Debian 下都有相应的包,其它 Linux 平台下想必也有。支持 RPM 的系统可以从 www.rpmfind.net 上找找看。当然也可以从官方网站上下载源码包编译安装。)

[ 编辑]

第三步:你的第一个 Haskell 程序

请注意,下面这个例子不能在 Hugs 下运行(截止到 20050308 为止),因为 Hugs 不支持在命令行定义函数。你必须把定义放到一个源代码文件里。


如果你学过其它编程语言的话,那你一定编过“Hello world”程序。不过在 Haskell 中,你的第一个程序不是“Hello world”,而是一个阶乘函数。

[ 编辑]

启动解释器

打开一个终端。如果你安装了 GHC 的话,就请输入 ghci(GHC 解释器的名字)。如果你安装的是 Hugs 的话,就请输入 hugs。

$ ghci
   ___         ___ _
  / _ \ /\  /\/ __(_)
 / /_\// /_/ / /  | |      GHC Interactive, version 6.4, for Haskell 98.
/ /_\\/ __  / /___| |      http://www.haskell.org/ghc/
\____/\/ /_/\____/|_|      Type :? for help.

Loading package base-1.0 ... linking ... done.
Prelude>
[ 编辑]

写第一个程序

在 GHCi 中,我们既可以从一个源代码文件中装载程序,也可以直接在命令提示符下定义。试试下面的这个:

Prelude> let fac n = if n == 0 then 1 else n * fac (n-1)

这样就定义了一个叫做 fac 的函数,它可以计算一个整数的阶乘(第四步中我们再来仔细讨论它)

[ 编辑]

运行它

输入 fac 12,这样可以把 12 作为参数传递给 fac 函数。

*Main> fac 12
479001600

大功告成!你现在已经成功地运行了你的第一个 Haskell 程序。

[ 编辑]

但我还是想要打印 "Hello World"!

在进入长篇大论之前,先来看看 Haskell 版本的 “Hello World”:

putStrLn "Hello World"

在 GHCi 中输入上面的文字,然后你就可以得到你想要的效果。

如果你想用一个可执行文件来打印这句话的话,你可以把下面这段文字保存到 hello.hs 文件中:

module Main where

main = putStrLn "Hello World"

编译器要求必须得有一个叫做 main 的函数,这样它便知道程序该从何处开始执行。用命令 ghc hello.hs -o hello 来编译它,然后运行就可以了。Unix/Linux 下用 ./hello 来运行,windows 下用 hello.exe 来运行。

[ 编辑]

长话短说

函数式编程有一个显著的特点就是所有的工作都用“函数”来完成。函数是没有副作用(flw 注:side effects,也译作“边际效应”)的。它们返回一个和参数相关的值。为了进行输入输出(比如往屏幕上打印一句话),你可以想象成函数可以拥有一个名为“world”的参数,这个参数包括了所有的外部状态,然后函数返回一个修改过了的 world(比如屏幕上多了“Hello World”这几个字),而这个修改过了的 world 又可以带到随后的函数中。

Haskell 提供一些类似的东西,而且更加省事:它把函数和现实世界的相互影响,称作 IO 行为。这样当一个函数把一个数字转换成可打印字符串时,它变具有类型 Int -> String。而一个从终端上读取指定长度的字符串的函数也许会具有类型 Int -> IO String,它的意思是说,给函数一个整数,它可以返回一个“从终端上读取一个字符串”的 IO 行为。这也就是为什么 main 函数具有类型 IO 的原因——你通常希望你的程序能够和现实世界交互,那样的话就它就得是一个 IO 行为。

说起来有些拗口。但其实和其它的编程语言没有什么分别,只不过其它的语言把它们叫做“语句”和“表达式”罢了。这样的好处是 Haskell 有一个坚实的框架来处理这些事,它的名字就叫“IO Monad”。

如果你想要一个关于如何在 Haskell 中进行 IO 工作的快速介绍的话,我建议你看看 IO 介绍

[ 编辑]

第四步:接下来该干什么?

有很多不错的 Haskell 教程和书籍,下面这些都是我们推荐的:

[ 编辑]

教程

  1. Yet Another Haskell Tutorial (English 简体中文)
  2. Haskell-Tutorial (English)
  3. A Gentle Introduction to Haskell (English)
  4. Haskell Kurs (德语)
[ 编辑]

课程

  1. Programming in Haskell (English)
  2. Functional programming (English, Español, Netherlands) (注意:它里面讲的是老版本的 Haskell。比如输入输出后来都改过)

 

 

Haskell教程(中文版) 英文版原名<<Yet Another Haskell Tutorial>> Hal Daum′e III 著,乔海燕 译。 一本Haskell不错的入门教程。 立即下载

相关推荐

从零到一:手把手教你构建自定义ReaxFF力场参数

本文手把手教你从零构建自定义ReaxFF力场参数,详解反应力场的动态键序机制与参数化逻辑。通过LAMMPS实战演示,涵盖训练数据准备、参数优化算法选择及性能优化技巧,助力研究人员精准模拟化学反应过程。适用于材料科学、催化研究等领域,特别适合已掌握分子动力学基础的进阶用户提升力场开发能力。

weixin_28365523的博客 1060

怎样安装haskell

OS:Centos66 由于haskel在epel中默认已经支持,所以只需要使用epel repo就可以安装之 安装步骤 1 下载epel,安装epel wget http://centos.ustc.edu.cn/epel/epel-release-latest-6.noarch.rpm yum install epel*.rpm 2 安装haskell yum insta

anzhuangguai的专栏 2065

全国充电站分布数据

CnOpenData推出的充电站数据覆盖全国34个省份的3万条数据,包含充电站名称、省份名称、省份代码、商圈、经纬度等地理信息以及商业类型、评分、消费等衍生信息,能为城市规划、环境科学、市场分析、技术发展和社会经济研究等多个领域提供宝贵的数据支持。

Sunny9qx的博客 4038

HASKELL起步入门教程

函数式编程HASKELL起步入门教程  Haskell作为一门纯函数语言,它有以下特点:Haskell强表达能力可以提高软件的生产力小语言核心提供了很大的灵活性代码可以很简洁,提高开发速度从编译和解释两种语言中都能得到两全其美的好处Haskell使代码更容易理解和维护可以深入复杂的库和理解代码是做 什么Haskell可以提高系统的鲁棒性强类型捕获在编译时许多的错误函数代码允许更好的测试方法没有变化...

丿灬安之若死 5310

Obsidian的Git插件设置配置全流程 -- 简单的电脑端多平台同步方案及常见问题

Git同步obsidian的保姆级教程和常见问题

weixin_44370439的博客 1万+

当拿到金葡菌的全基因组测序数据后该怎样进行分析呢

很多做科研实验/做课题报告的科研老师们在拿到全基因组测序数据之后要进行一系列的分析,但同时也担心数据庞大分析缓慢导致进度,也有因为不会编程不知道该如何进行拼接分析的...其实需要质控拼接、MLST分析及菌种鉴定等完全可以自己在平台上进行分析,下面以金葡菌为例进行了质控拼接及菌种鉴定等分析。 网络图片(侵删) 金黄色葡萄球菌(Staphylococcus aureus,S. aureus)也称“金葡菌”,隶属于葡萄球菌 属,是革兰氏阳性菌的代表,为一种常见的食源性致病微生物。 那么在取得了金葡菌全基

GenesClouds的博客 1970

Haskell 入门学习(一)之安装试用 Haskell

最近对Haskell语言感兴趣,所以打算记录一下一些小历程,入门,那当然要先安装环境了,Haskell 的安装还是挺简单的,因为有 “ghcup” 这个工具管理包,它是用来专门安装GHC(也就是 Haskell 的环境)的, 相对来说,比传统的安装要方便很多。

TTOWFIVE 3595

从SC7A20数据手册到代码:一步步搞定加速度值读取与换算(避坑指南)

本文详细解析了SC7A20三轴加速度传感器的数据手册,从寄存器配置到原始数据读取,再到加速度值的换算方法。通过代码示例和避坑指南,帮助开发者准确实现加速度值的读取与换算,适用于嵌入式开发和运动检测应用。

weixin_26878995的博客 589

haskell-vim与vim-hindent:打造完美Haskell自动缩进环境

Haskell作为一门优雅的函数式编程语言,其严格的缩进规则常常让新手望而生畏。**haskell-vim**作为专为Haskell开发的Vim插件,结合**vim-hindent**工具,能够为开发者提供智能、高效的自动缩进解决方案,让代码格式化不再成为负担。 ## 📋 为什么需要专门的Haskell缩进工具? Haskell的缩进不仅仅是代码风格问题,更是语法的一部分。错误的缩进可能导致

gitblog_01125的博客 967

老电脑续命神器:Windows 11 26H1 精简游戏版,帧率稳定无压力!(Win11 26H1 极致精简游戏版(3.17G):装完只占 8G 内存,Ultra CPU 性能拉满)

旧电脑福音也能安装windows11畅玩游戏🎮:文章分享一款 Windows 11 26H1 精简游戏版,仅 3.17G、C 盘占用 8G,开机进程约 50 个,内存占用 1.4G,内置游戏优化与运行库,支持离线安装、跳过 TPM 检测,让老电脑也能畅玩 3A 游戏和办公娱乐 🚀。

XiaoqiangClub的博客 1079

lammps后处理:堆垛层错和孪晶的数量统计

python调用ovito包可以免费实现ovito pro版本的功能,不需要安装ovito pro软件,如统计位错线长度、CNA结构、键角分布等,如需深入学习,可考虑报名python ovito后处理课程,或lammps一对一课程。lammps金属变形模拟中,可能会产生堆垛层错或者孪晶等结构,但是ovito免费版本无法统计这些结构的数量。使用python和ovito软件包,则可以方便的统计出这些结构的数量。大家好,我是小马老师。

lammps_jiayou的博客 469

haskell-vim核心功能揭秘:为什么它比Vim原生Haskell脚本更强大?

haskell-vim是一款为Haskell开发者打造的Vim插件,旨在提供比Vim原生Haskell脚本更优秀的语法高亮和缩进支持。它基于idris-vim开发,覆盖了更广泛的关键词,支持Haskell新特性的高亮显示,并提供了更智能的缩进功能和更好的Cabal支持,让Haskell代码编辑体验更上一层楼。 ## 🌟 核心功能亮点 ### 📝 增强的语法高亮 haskell-vim的语

gitblog_00225的博客 846

Uniapp微信小程序:详解根据角色权限动态展示底部tabbar,支持不同身份显示不同底部导航+灵活权限组合完整源码,菜单切换不闪烁、秒加载不卡(提供动态原生Tabbar配置+自定义组件形式2种方案)

uni-app微信小程序实现根据用户不同角色显示不同的tabBar,uniapp微信小程序原生tabbar实现动态菜单导航,微信小程序动态tabBar实现:基于自定义组件,灵活支持不同用户角色,动态pages,uni-app微信小程序动态tabBar,根据不同用户展示不同的tabBar,uni-app微信小程序动态切换tabBar,根据不同用户角色展示不同的tabBar,微信小程序自定义底部tabbar动态修改,Uniapp小程序根据权限(角色)不同动态展示底部tabbar,解决tabbar闪烁卡顿问题,小

✅ 精选推荐文章 4286

Haskell-in-Haskell:用Haskell实现Haskell的编译器

Haskell-in-Haskell:用Haskell实现Haskell的编译器 1. 项目基础介绍及主要编程语言 Haskell-in-Haskell 是一个开源项目,旨在用 Haskell 语言编写一个可理解的 Haskell 编译器。该项目通过实现 Haskell 的一 subsets 来展现编译器的内部工作原理,提供了一个深入了解 Haskell 编译过程的机会。项目的主要编程语言是 Ha...

gitblog_00750的博客 741

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

haskell-vim:终极Haskell与Cabal语法高亮与缩进解决方案

haskell-vim是一款专为Haskell开发者打造的Vim插件,提供了完整的Haskell与Cabal语法高亮和智能缩进功能。无论是编写复杂的Haskell函数还是管理Cabal项目配置,这款工具都能帮助你提升编码效率,减少语法错误,让代码编辑体验更加流畅。 ## 🚀 核心功能解析 ### 1. 精准的语法高亮系统 haskell-vim通过精心设计的语法规则,为Haskell代码提

gitblog_00772的博客 710

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

haskell-vim高级技巧:如何禁用Template Haskell与传统高亮模式

haskell-vim是一款专为Haskell开发者打造的Vim插件,提供了丰富的语法高亮、缩进支持等功能。本文将分享两个实用高级技巧:如何禁用Template Haskell与切换到传统高亮模式,帮助你优化Haskell代码编辑体验。 ## 一、禁用Template Haskell与Quasiquoting语法 Template Haskell和Quasiquoting是Haskell中强大

gitblog_00249的博客 327

haskell-gi:为GObject Introspection库生成Haskell绑定

haskell-gi:为GObject Introspection库生成Haskell绑定 项目介绍 haskell-gi 是一个开源项目,旨在为支持 GObject Introspection 的库生成 Haskell 绑定。GObject Introspection 是一个用于生成动态类型信息并提供 API 反射的框架,它允许语言绑定访问和利用 GObject 库的功能。haskell-gi ...

gitblog_01047的博客 640

Haskell简介

Haskell是一种纯functional语言。这要先解释函数的side effect,所谓的副作用是指函数在执行过程中处理了一些和函数自身的输出无关的东西。最简单的例子就是在c/c++这类语言中,我们可以访问一个全局变量并修改它(即使所有教科书都不推荐这么做,但c/c++确实可以,有没有能力和去不去做是两回事)。更进一步,任何改变外围状态的动作都属于side effect范畴,如向屏幕输出一行字

Toy Code Plant 5167

Haskell-in-Haskell 项目常见问题解决方案

Haskell-in-Haskell 项目常见问题解决方案 项目基础介绍 Haskell-in-Haskell 是一个尝试在 Haskell 中实现 Haskell 子集的开源项目。该项目的目标是提供一个易于理解的 Haskell 实现,帮助开发者更好地理解 Haskell 的内部工作机制。项目的主要编程语言是 Haskell,同时也涉及到 C 语言的生成和编译。 新手使用注意事项及解决方案 1....

gitblog_00908的博客 740

【Haskell】Haskell语言挺好的

(点击上方公众号,可快速关注)写本篇文章主要是对Haskell做一些澄清,因为看到网上很多文章都要把它说没了,心里很是不平啊。每种编程语言都有其生命周期,但Haskell肯定在短期内淘汰...

2594

从C到Haskell

既然没了“赋值”一说,Haskell的函数和C的函数就不一样了,它不是描述一个计算过程,而是定义一个数学意义的函数关系。咱们前面说过,Haskell里面=代表左边的东西是右边的东西。因此上面这句话的意思就是以x为自变量,计算f这个函数,它是这跟数学概念上的函数定义是吻合的。实际上,写法也很像,只是数学上咱们会多个括号,写成 f(x)。由于=代表一种定义,那么很显然,有些函数在不同情况下,定义是不一样的。比如说斐波那契,当x是0或者1或者>1,情况是不同的。Haskell里面可以分几次定义一个函数。

weixin_51709700的博客 1049

lsp-haskell:Emacs中的Haskell编程新体验

lsp-haskell:Emacs中的Haskell编程新体验 项目介绍 lsp-haskell是一个专为Emacs设计的Elisp库,它巧妙地利用了Microsoft的Language Server Protocol(LSP),让你在编写Haskell代码时享受现代IDE级别的便利。通过与强大的haskell-language-server无缝对接,它不仅简化了服务器的发现与启动过程,还提供了丰...

gitblog_01017的博客 925

Glance与Diagrams库的完美结合:Haskell图形编程实践

Glance是一款强大的Haskell可视化工具,它与Diagrams库的完美结合为Haskell开发者提供了直观且高效的图形编程体验。通过这种组合,开发者可以轻松地将复杂的Haskell代码转化为清晰的可视化图形,极大地提升了代码理解和调试的效率。 ## 为什么选择Glance与Diagrams库 在Haskell开发中,面对复杂的函数和算法,可视化往往是理解其结构和执行流程的关键。Glan

gitblog_00425的博客 1136

在Emacs中集成Hoogle:提升Haskell开发效率的必备配置

Hoogle作为Haskell生态中强大的API搜索引擎,能帮助开发者快速定位函数定义和使用示例。将其集成到Emacs编辑器中,可实现代码编写过程中的无缝API查询,显著提升Haskell开发效率。本文将详细介绍如何在Emacs环境中配置和使用Hoogle,让你的Haskell开发体验更上一层楼。 ## Hoogle本地安装与基础配置 要在Emacs中使用Hoogle,首先需要在本地安装Hoo

gitblog_00124的博客 916
上一篇: Common Lisp语言快速入门
下一篇: perl-循环内操作-next和redo
deepfuture
博客等级 码龄17年 211粉丝 1287原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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