SICP学习笔记之二

[b]3. 递归
3.1 什么是递归[/b]

定义一个过程,需要三要素:过程名称、需要的参数,过程体。过程体,具体描述了此过程是做什么的,在过程体中,可以引用其他定义好的过程。

如果一个过程,在过程体中引用了自身,就说此过程是递归的。看例子:

(define (p) (p))


对照过程三要素,第一个(p),表示此过程的名称是p,此过程不需要参数,第二个(p),是过程体,也是一个表达式,表示此过程要做的事情,就是调用过程p。最后一句容易头晕,先运行一下过程。

(p)


结果如图所示。

注意右下角的小人,一直在弯腰奔跑,表明此过程一直在执行。不用继续等待了,这么简单的一个定义,居然是无穷循环。只能借助右上角的“停止”功能,强行中断。

仔细体会一下:定义了一个过程p,此过程不需要参数,此过程干什么呢,此过程要调用过程p。似曾相识吧,从前有座山、山里有座庙、庙里有个老和尚、老和尚在讲故事、讲什么呢,讲的是从前有座山…

[color=blue](define (p) (p))[/color],一个p引发的老和尚讲故事的故事。一直有个疑惑,为什么这个美丽而又深刻的故事,没有刻在某个计算机科学学院的徽标上呢^_^

其实递归本身还是比较费解的。在过程还没有定义完全的时候,就被引用,还要被引用的引用所引用,以至于无穷。很自然的想法是,在某种条件下,这种嵌套的引用,总应该有个终点吧。

下面先来看Schema如何描述条件的。
[b]
3.2 条件表达式[/b]

Schema的条件表达式也很简洁,先看if表达式的定义。

(if <条件表达式> 
<条件为真,执行此表达式>
<条件为假,执行此表达式>)


看看如何求某个数的绝对值。

(define (abs x) 
(if (< x 0)
(- x)
x))

(abs -10)
10

(abs 10)
10


其中,表达式[color=blue](< x 0)[/color]判断x是否小于0。没有了else的if,用起来还是很清爽的。条件表达式可以组合使用。

(and (> x 5) (< x 10))


表示 5 < x < 10,遇到类似的组合,望文生义就可以了。另外还有一个分支条件表达式cond比较常用,还是求某个数的绝对值。

(define (cond-abs x)
(cond
((> x 0) x)
((= x 0) 0)
((< x 0) (- x))
)
)

(cond-abs -10)
10


和常用的switch/case语法类似,就不多说了。

[b]3.3 线性递归[/b]

讲编程总是从“Hello,World”开始,讲递归也总是从阶乘开始。数n的阶乘为

 n! = n*(n-1)…3*2*1


此过程的定义并不难。

(
define (factorial n) 
(if (= n 0)
1
(* n (factorial (- n 1)))))


计算数4阶乘的实际过程为。

[code](factorial 4)
(* 4 (factorial 3))
(* 4 (* 3 (factorial 2)))
(* 4 (* 3 (* 2 (factorial 1))))
(* 4 (* 3 (* 2 (* 1 (factorial 0)))))
(* 4 (* 3 (* 2 (* 1 1))))
(* 4 (* 3 (* 2 1)))
(* 4 (* 3 2))
(* 4 6)
24[/code]

从形状上看,是先逐步展开而后逐步收缩,真正的计算过程,是从收缩时开始的。用SICP中的原话,“这一计算过程构造起一个推迟进行的操作所形成的链条”(裘宗燕老师的译文)。数n越大,这个链条就越长,在计算过程真正开始前,需要保留的信息也就越多。这种计算过程,就是一个线性递归过程。

[b]3.4 线性迭代[/b]

线性递归过程和人们的日常思维方式接近,下面用另外一种方法来计算数的阶乘。

(define (factorial-iteration n)
(iteration 1 1 n))

(define (iteration result i n )
(if (> i n)
result
(iteration (* i result)
(+ i 1)
n)))

(factorial-iteration 4)
24


在计算某个数的阶乘时,另外引入了有3个参数的新过程。看起来有点突然,把阶乘公式反过来写就容易理解了。

n! = 1*2*3…(n-1)*n


求n的阶乘,先计算1*2,得到结果2,然后看看n是否为2,不是的话,再把结果乘以3,得到结果6,然后看看n是否为3,以此类推。计算数4阶乘的实际过程为。

(factorial-iteration 4)
(iteration 1 1 4)
(iteration 1 2 4)
(iteration 2 3 4)
(iteration 6 4 4)
(iteration 24 5 4)
24


从形状上看,此过程没有任何曲线,脖子和腰身那是一桶到底。而且,给定任何一个中间状态,比如(iteration 24 5 6),就可以知道以下信息:要计算6的阶乘,当前算到第5步,中间结果为24。根据迭代规则可以确定,只要再继续迭代2步,就能得到最后结果。这种计算过程,就是一个线性迭代过程。

需要注意,递归过程和递归计算过程是不一样的。递归过程,指的是在定义过程时引用了自身;递归计算过程,指的是具体的实现方式。这种区别容易意会,不易言传,分辨不清也没什么关系。

[b]3.5 树形递归[/b]

对于熟悉的斐波那契数列:

0, 1, 1, 2, 3, 5, 8, 13,…


对应的递归过程为。

(define (fib n)
(cond ((= n 0) 0)
((= n 1) 1)
(else (+ (fib (- n 1))
(fib (- n 2))))))

(fib 5)
5


将计算展开来看很像一棵树,这种计算过程,就是一个树形递归过程。

树形递归过程很直观,但是计算效率比较低。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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