小探正则

转载注:http://blog.csdn.net/linjf520/article/details/52219516

SubLime Text 2中的正则测试:

获取包信息
\bpackage\s+([\w+\.?]+)

获取取import信息
import\s+([\w+\.?]+)\;$

获取private/protected/public合并写法
但目前这里有个问题,就是无法区别:是local还是global的变量,因为as3的global的变量也是可以不写访问级别,默认为:internal的后面再考虑
\b(?:(public|private|protected)\s+)?(static)?(const)?var\s+(?:(\w+)\s*:\s*(\w+))\s*(?:,\s*(\w+)\s*:\s*(\w+))*\s*(?:\s*=\s*(\w+))?;$

获取方法信息
\b((public|private|protected)\s+)?function\s+(\w+)\s*\(\s*((\w+)\s*(:\s*(\w+))?)\s*(,\s*((\w+)\s*(:\s*(\w+))?))*\s*\)\s*:\s*void\s*((\{[.\w\W]*?\})+?)

获取类信息
\bpublic\s*class\s+(\w+)(?:(\s*(?:(extends\s+(\w+))?)\s*(?:(?:implements\s+(\w+(,\s*\w+)*))?)\s*)?)\s*\{

获取嵌入类信息
^\s*class\s+(\w+?)((\s*((extends\s+(\w+))?)\s*((implements\s+(\w+))?)\s*)?)\s*\{([.\w\W]*)\}

测试采样数据:

package nParticleSys.sadfas.asdasdf.fdas.asdf
{
    import flash.display.Bitmap;
    import flash.geom.Matrix;

    import starling.utils.Util;

    /**
     * [description]
     * @author Jave.Lin
     * @date 2016-7-20
     * */
    public class Particle extends ExtCls implements IT1, IT2, IT3
    {
        private static var _pool:Array = [];

        public static function getPs():Particle
        {
            var result:Particle;
            if (_pool.length > 0)
            {
                result = _pool.pop();
            }
            else
            {
                result = new Particle();
            }
            return result;
        }

        public static function recyclePs(ps:Particle):void
        {
            _pool.push(ps);
        }

        public static function init(ps:Particle):void
        {
            ps.x = ps.y = 0;
            ps.angle = 0;
            ps.scale = 1;
            ps.alpha = 1;

            ps.vx = ps.vy = 0;
            ps.angleV = 0;
            ps.scaleV = 0;
            ps.alphaV = 0;

            ps.elapsedTime = 0;
            ps.totalTime = 1;

            ps.transform = new Matrix();
            ps.enabled = true;
        }

        public var x:Number, y:Number;
        public var angle:Number;
        public var scale:Number;
        public var alpha:Number;

        public var vx:Number, vy:Number;
        public var angleV:Number;
        public var scaleV:Number;
        public var alphaV:Number;

        public var elapsedTime:Number;
        public var totalTime:Number;

        public var texture:Bitmap;

        public var transform:Matrix;

        public var enabled:Boolean;

        public function applyTransform():void
        {
            transform.identity();
            if (texture)
            {
                if (texture.bitmapData)
                {
                    transform.translate(texture.bitmapData.width * -0.5, texture.bitmapData.height * -0.5);
                }
                transform.scale(scale, scale);
                transform.rotate(angle);
                transform.translate(x, y);

                texture.transform.matrix = transform;

                texture.alpha = Util.clamp(alpha, 0, 1);
            }
        }

        public function recycle():void
        {
            elapsedTime = 0;
            totalTime = 0;
            enabled = false;
            transform = null;

            if (texture)
            {
                if (texture.parent)
                {
                    texture.parent.removeChild(texture);
                }
                texture.bitmapData = null;
                texture = null;
            }
        }
    }
}

   class Name
{

}

距离写语法分析还有很长距离;
不同的语言中,正则的一些用法还是不一样的;
如:组引用,在py中

<?P<groupName1>

然后在正则中的引用

<?P=groupName1>

但在别的一些语言中,对正则的封装使用可能就不一样了。

如:在as3中,就没有别名组匹配
导致在外部调用时,还得自己去数,是第几个组;
或是运行后,看结果中,是第几个组来取数据,很不方便

====================
然后今天搜索:编译原理相关内容,发现语法解析使用一个类似:Scaner的东西,逐字符扫描处理;
最后描述出来的是一个树结构的结果:叫语法树
在描述的过程中就可以得出语法异常;
如果能成功返回语法树对象,说明已成功编译完成;
要作的就是将:语法树,转为对应执行平台需要的指令集即可;

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