表达式解析趣谈

代码的编译是计算机科学的一大命题,其博大精深,难以尽数。这里<wbr></wbr>,我们捡着一个小命题娱乐一下。
程序代码中,总是少不了数学运算,其实对于我们来说很熟悉的数学计<wbr></wbr>算,在计算机里也是要做一些编译处理的。
例如,4+9*3+7-2这样一个简单的四则运算<wbr></wbr>,对于人来说就是:
4+9*3+7-2
=4+27+7-2
=31+7-2
=38-2
=36

这里面,我们实际上已经在下意识里做了很多思考。首先<wbr></wbr>,大脑会按照运算符划分开各个子算式,然后找出运算优先级的子式<wbr></wbr>,按顺序计算完后,将结果填充给下一级,依次递归<wbr></wbr>,直至整个算式完成。
计算机的编译/解释过程,其实跟这个很像,也是先找出最高优先级的<wbr></wbr>子式,然后依次递归构造出一个语法解析树,调用数学运算指令计算每<wbr></wbr>个节点,返回结果。对于每个单步运算,计算机里面调用一次+、-<wbr></wbr>、*、/的时候,其实是一次函数操作,每个运算符执行对应的函数<wbr></wbr>,比如1+1,其实就是+(1, 1)。在编译时,通常会把这样的运算翻译为后缀表达式,+(1, 1)就变成了1 1 -,这样的好处是计算机逐次读入每一个词,遇到操作数就压栈<wbr></wbr>,遇到操作符就把所需个数的操作数从栈里弹出来计算<wbr></wbr>,然后再把结果压进去,这个过程以轻松匹配复杂表达式。不过—<wbr></wbr>—这么看起来是不很累?特别是复杂算式,就看不清层次了<wbr></wbr>。我们把它用括号包起来,就成了(1 1 -),这样清晰一些了吧,我们现在按这种方式把开头的那个式子写成<wbr></wbr>:
(((4 (9 3 *)+) 7+) 2 -)
现在,我们用一个[]表示堆栈,左边是栈顶,右边是栈底<wbr></wbr>。现在我们模拟计算机的解释过程。
(((4 (9 3 *)+) 7+) 2 -)
=>[4]<wbr></wbr> 4入栈
=>[9 4] 9入栈
=>[3 9 4] 3入栈
=>* (9 3) [4] 读到*,弹出最上面两个数3和9——需要注意,因为堆栈的后入先出<wbr></wbr>特性,实际上栈顶的元素反而在参数表的右边
=>[27 4] 把相乘以后的结果27重新压入栈
=>+ (4 27) [] 读到+,弹出最上面两个数27和4
=>[31] 把相加结果31入栈
=>[7 31] 7入栈
=>+ (31 7)[] 读到+,弹出最上面两个数7和31
=>[38] 把相加以后的结果38入栈
=>[2 38] 2入栈
=>- (38 2)[] 读到-,弹出最上面两个数2和38
=>[36] 把相减结果36入栈
=>36 检测到运算过程已经完成,把结果从堆栈中弹出返回

以上这个过程对计算机是很方便,但是对于我们读起来还是有点别扭<wbr></wbr>,把运算符放前面不是更好懂么?编译原理中,前缀表达式也是一种常<wbr></wbr>见的写法,于是:
(((4 (9 3 *)+) 7+) 2 -)=>(-(+(+ 4 (* 9 3)) 7) 2)
这个么,应该有朋友已经发现了,这不就是一段LISP代码么?!
我有很长时间不能很好的理解LISP代码,直到有位朋友说<wbr></wbr>,LISP就是语法解析树的前缀表达……
以此文向他致敬!
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...
本系统采用微信小程序作为前端交互界面,结合Spring Boot与Vue.js框架实现后端服务及管理后台的构建,形成一套完整的电子商务解决方案。该系统架构支持单一商户独立运营,亦兼容多商户入驻的平台模式,具备高度的灵活性与扩展性。 在技术实现上,后端以Java语言为核心,依托Spring Boot框架提供稳定的业务逻辑处理与数据接口服务;管理后台采用Vue.js进行开发,实现了直观高效的操作界面;前端微信小程序则为用户提供了便捷的移动端购物体验。整套系统各模块间紧密协作,功能链路完整闭环,已通过严格测试与优化,符合商业应用的标准要求。 系统设计注重业务场景的全面覆盖,不仅包含商品展示、交易流程、订单处理等核心电商功能,还集成了会员管理、营销工具、数据统计等辅助模块,能够满足不同规模商户的日常运营需求。其多店铺支持机制允许平台方对入驻商户进行统一管理,同时保障各店铺在品牌展示、商品销售及客户服务方面的独立运作空间。 该解决方案强调代码结构的规范性与可维护性,遵循企业级开发标准,确保了系统的长期稳定运行与后续功能迭代的可行性。整体而言,这是一套技术选型成熟、架构清晰、功能完备且可直接投入商用的电商平台系统。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
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