表达式转化

        由于noip居然可能考这种东西,于是很不情愿的来回忆这道字符串神题。

              后缀表达式的运算裸做就行了,而转后缀的时候只要把运算符之间的优先级推出即可,if流,反正感觉比打表好看些。

         这种东西直接贴 代码算了:

      

program lmd;
const
       snum='0123456789';
var
   st:array[0..1000]of char;
   num:array[0..1000]of real;
   top,i,len:longint;
   x,y:real;
   s,ss,t:string;
procedure inf;
begin
   assign(input,'Expression.in');
   assign(output,'Expression.out');
   reset(input);rewrite(output);
end;
procedure ouf;
begin
   close(input);close(output);
end;
procedure init;
begin
    readln(s); s:=s+'@';
end;
procedure bug;
begin
    write('wrong input');
    ouf; halt;
end;
function use(x,y:char):longint;
begin
   if (x='+') or (x='-') then
     begin
       if (y='*') or (y='/') or(y='(') then exit(0);
       {if (x='+') or (x='-') or(x=')') or (x='@') then }exit(1);
     end;
   if (x='*') or (x='/') then
     begin
       if (y='(') then exit(0);
       exit(1);
     end;
   if x='(' then
     begin
       if y=')' then exit(2);
       if y='@' then bug;
       exit(0);
     end;
   if x=')' then
     begin
        if x='(' then bug;
        exit(1);
     end;
   if x='@' then
      begin
        if y='@' then exit(2);
        exit(0);
      end;
end;
procedure prepare;
begin
    top:=1; st[1]:='@';
    i:=1; len:=length(s);
    while i<=len do
      begin
         if pos(s[i],snum)>0 then
           begin
              ss:=s[i];
              while  pos(s[i+1],snum)>0 do
                begin
                  inc(i); ss:=ss+s[i];
                end;
              t:=t+ss+' ';
           end
         else
           begin
              while use(st[top],s[i])=1 do
                begin
                   t:=t+st[top]; dec(top);
                end;
              if use(st[top],s[i])=2 then
                  begin
                     st[top]:=' ';dec(top);
                  end
              else
                 begin
                    inc(top); st[top]:=s[i];
                 end;
           end;
         inc(i);
      end;
    writeln(t);
end;
procedure work;
begin
    i:=1; len:=length(t); top:=0;
    while i<=len do
     begin
        if pos(t[i],snum)>0 then
          begin
            x:=ord(t[i])-ord('0');
            while pos(t[i+1],snum)>0  do
              begin
                 inc(i);  x:=x*10+ord(t[i])-ord('0');
              end;
            inc(top); num[top]:=x;
            inc(i);
         end
        else
          begin
             x:=num[top-1]; y:=num[top]; dec(top);
             case t[i] of
                '+':num[top]:=x+y;
                '-':num[top]:=x-y;
                '*':num[top]:=x*y;
                '/':num[top]:=x/y;
                end;
          end;
        inc(i);
     end;
    write(num[top]:0:5);
end;
begin
    inf;
    init;
    prepare;
    work;
    ouf;
end.

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
将中缀表达式转化为后缀表达式的一般步骤如下: 1. 初始化一个空栈和一个空列表 2. 从左到右遍历中缀表达式的每个元素 3. 如果当前元素是数字,将其添加到输出列表中 4. 如果当前元素是左括号,将其压入栈中 5. 如果当前元素是右括号,将栈中的元素弹出并添加到输出列表中直到遇到左括号为止,将左括号弹出但不添加到输出列表中 6. 如果当前元素是运算符,则比较其与栈顶运算符的优先级: 1. 如果当前运算符的优先级大于栈顶运算符的优先级,将其压入栈中 2. 否则,将栈顶运算符弹出并添加到输出列表中,再次比较当前运算符与新的栈顶运算符的优先级,直到当前运算符的优先级大于栈顶运算符的优先级为止,然后将当前运算符压入栈中 7. 重复步骤2-6,直到中缀表达式的所有元素都被处理 8. 将栈中剩余的运算符依次弹出并添加到输出列表中 9. 输出列表中的元素就是转化后的后缀表达式 下面是一个Python实现的例子: ```python def infix_to_postfix(infix): operators = {'+': 1, '-': 1, '*': 2, '/': 2, '^': 3} stack = [] postfix = [] for token in infix: if token.isdigit(): postfix.append(token) elif token == '(': stack.append(token) elif token == ')': while stack and stack[-1] != '(': postfix.append(stack.pop()) stack.pop() else: while stack and stack[-1] != '(' and operators.get(token, 0) <= operators.get(stack[-1], 0): postfix.append(stack.pop()) stack.append(token) while stack: postfix.append(stack.pop()) return postfix ``` 其中,`infix`是中缀表达式的字符串形式,`operators`是运算符及其优先级的字典,`stack`是栈,`postfix`是输出列表。
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