表达式树

1. 笔记
表达式树是一种存储和计算表达式的方式。表达式树的叶子结点均为数,非叶子结点均为运算符。我自己摸索了一下用表达式树处理表达式,确实很直观方便。下面的代码可以处理+,-,*,/,%,^六种左结合的二元运算,优先级为:

运算符优先级
+,-3
*,/,%2
^1
其它0

2. 代码

/*
备注:
未严格测试,可能有bug
2018/09/09
*/
#include<bits/stdc++.h>
using namespace std;
#define rep(i,a,b) for(int i=a;i<=b;++i)
#define ms(arr,a) memset(arr,a,sizeof arr)
#define debug(x) cout<<"< "#x" = "<<x<<" >"<<endl
int pri[300];
void init_pri()
{
    pri['+']=pri['-']=3;
    pri['*']=pri['/']=pri['%']=2;
    pri['^']=1;
}
struct node
{
    double v;
    char c;
    node *fa,*l,*r;
    node(){c=v=0;fa=l=r=NULL;}
    node(double x){v=x;c=0;fa=l=r=NULL;}
    node(char x){v=0;c=x;fa=l=r=NULL;}
};
void recycle(node *root)
{
    if(root==NULL)return;
    recycle(root->l);recycle(root->r);
    delete root;
}

const int maxn=1e3;
char s[maxn];
const double eps=1e-10;
inline bool is_num(char *i)
{
    return ((*i)>='0'&&(*i)<='9')||(*i)=='.';
}
double get_num(char *&i)
{
    bool is_f=false;double it=0.1;
    double ret=0;
    for(;is_num(i);++i)
    {
        if((*i)=='.'){is_f=true;continue;}
        if(is_f)
        {
            ret=ret+((*i)-'0')*it;
            it=it/10;
        }else ret=ret*10+(*i)-'0';
    }
    i--;
    return ret;
}
double calc(node *root)
{
    if(root->c==0)return root->v;
    double lft=calc(root->l),rgt=calc(root->r);
    switch(root->c)
    {
    case '+':
        return lft+rgt;
        break;
    case '-':
        return lft-rgt;
        break;
    case '*':
        return lft*rgt;
        break;
    case '/':
        return lft/rgt;
        break;
    case '%':
        return int(lft)%int(rgt);
        break;
    case '^':
        return pow(lft,rgt);
        break;
    }
}
node* construct(char *l,char *r)
{
    node *pos=NULL,*nxt,*root;
    for(char *i=l;i<=r;++i)
    {
        //构造新结点
        if((*i)=='(')
        {
            char *lft=i+1;
            int cnt=1;
            while(cnt)
            {
                i++;
                if((*i)=='(')cnt++;
                if((*i)==')')cnt--;
            }
            nxt=construct(lft,i-1);
            double tmp=calc(nxt);
            recycle(nxt);
            nxt=new node(tmp);
        }
        else if(is_num(i))nxt=new node(get_num(i));
        else nxt=new node((*i));
        //插入新结点
        node *a=pos,*b=NULL;
        pos=nxt;
        if(a==NULL){root=nxt;continue;}
        while(a&&pri[a->c]<=pri[nxt->c]){b=a;a=a->fa;}
        if(a==NULL){root=nxt;nxt->l=b;b->fa=nxt;continue;}
        if(b==NULL){a->r=nxt;nxt->fa=a;continue;}
        if(b==a->l)a->l=nxt;
        else a->r=nxt;
        nxt->fa=a;nxt->l=b;b->fa=nxt;
    }
    return root;
}
int main()
{
    init_pri();
    printf(">");
    while(~scanf("%s",s))
    {
        node *root=construct(s,s+strlen(s)-1);
        double ans=calc(root);
        long long nans=(long long)ans;
        if((ans-nans<eps)&&(ans-nans>-eps))printf("%lld",nans);
        else printf("%.6f",ans);
        printf("\n\n>");
        recycle(root);
    }
}

转载于:https://www.cnblogs.com/maoruimas/p/9611336.html

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