ES6 Generator

Generator函数时ES6提供的一种异步编程的解决方案。
在语法上,我们可以把Generator函数理解为一个状态机,封装了很多内部状态。执行Generator函数会返回一个遍历器对象。
Generator函数区别于普通函数的特征在:
1.function命令与函数名之间有一个星号
2.函数体内部使用yield语句定义不同状态
例如:

function* helloWorld(){
 yield 'hello';
 yield 'world';
 return 'goodbye';
}
 var p = helloWorld();

调用Generator函数会并不会立即执行,返回的也不是函数运行的结果,而是一个返回一个指向内部状态的指针对象,即遍历器对象。
必须调用遍历器的next方法,使指针移向下一个状态。即每次调用next方法,内部指针从函数头部或上一次停下来的地方开始执行,直到遇到下一条yield语句(或return语句为止)。Generator函数是分段执行的,yield语句是暂停执行的标记,而next方法可以恢复执行。

console.log(p.next());//{value:'hello',done:false}
console.log(p.next());//{value:'world',done:false}
console.log(p.next());//{value:'goodbye',done:true}
调用生成器的过程做了什么?

第一次调用Generator函数开始执行,直到遇到第一条yield语句为止。next方法返回一个对象,它的value属性就是当前yield语句的值hello,done属性的值false表示遍历还没有结束。
第二次调用,Generator函数从上次yield语句停下的地方,一直执行到下一条yield语句,next方法返回独享的value属性就是当前yield语句的值world,done属性的值false表示遍历还没结束。
第三次调用,Generator函数从上次yield语句停下地方一直执行到return 语句,next方法返回的对象的value属性就是紧跟在return语句后面的表达式的值,done属性为true表示遍历已经结束。

当我们调用一个生成器的它并不是立即执行,而是返回一个已经暂停的生成器对象。我们可以将这个生成器对象视为一次函数调用,只不过立即冻结了,它恰好在生成器函数的最顶端的第一行代码之前被冻结了。
每当我们调用.next()方法时,函数调用自身解冻并执行到下一个yiled表达式,再次暂停。最终抵达生成器的末尾,所以返回的结果中的done值为true,next方法返回的对象的value属性就是紧跟在return语句后面的表达式的值(如果没有return语句,则value属性的值为undefined)。

每当生成器执行yields语句,生成器的堆栈结构(本地变量,参数,临时值,生成器内部当前的执行位置)被移除堆栈。然而生成器对象保留了对这个堆栈结构的引用(备份),所以稍后调用.next()可以重新激活堆栈结构并继续执行。

值得一提的点

生成器不是线程,在支持线程的语言中,多段代码可以同时运行,通常导致静态条件和非确定性,不过同时也能带来不错的性能。生成器则完全不同。当生成器运行的时,它和调用者处于同一线程中,拥有确定的执行顺序,永不并发。与系统线程不同的是,生成器只有在其函数体内标记为yield的点才会暂停。

Generator函数的用法

Generator执行结束后会将控制权交还给调用者
Generator实际上是一种特殊的迭代器,不过Nodejs主流的场景是将异步回调变成同步模式。
用TJ大神开发的co模块来解释Generator的用途:
1.基于co函数实现自定义延迟时间

var require('co');
co(function*(){
  var now = Date.now();
  yield sleep(500);
  console.log(Date.now()-now);
})();

function sleep(ms){
  return function(cb){
    setTimeout(cb,ms);
  }
}

基于co,我们就可以写出类似这样的业务代码:

co(function *(){
    var rs = yield db.query('select url from xxx');
    rs.forEach(rs){
        var content = yield getUrl(rs.url);
        ...
    }
})();

在这之前,我们只能用洋葱式回调写法:


db.query('select url from xxx', function(rs){
    rs.forEach(r){
        getUrl(r.url, function(content){
            ...
        });
    }
});
co实现原理

看一个简化版的co代码,算是co的一个框架

co(function* (input){
  var now = Date.now();
  yield sleep200;
  cobsole.log(Date.now() - now);
});

function co(fn){
  var gen = fn();
  next();
  function next(res){
    var ret;
    ret = gen.next(res);
    if(ret.done){
      return;
    }
    //执行回调
    if(typeof ret.value == 'function'){
       ret.value(function(){
         next.apply(this.arguments);
      });
      return;
    }
    throw 'yield target no supported';
  }
}
function sleep200(cb){
  setTimeout(cb,200);
}

代码的核心在Generator的流程控制以及回调函数的执行

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
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