本文目录一览：
- 1 、正则表达式与有限状态向量机的关系是什么?
- 2 、floyd算法介绍
- 3、正则表达式匹配
正则表达式与有限状态向量机的关系是什么?
1 、有限状态自动机（FSA）则是一种抽象计算模型 ，通过状态和转移函数判断输入字符串是否属于特定语言。其中 ，确定性有限自动机（DFA）每个状态对每个输入符号有唯一转移，而非确定性有限自动机（NFA）允许一个状态对同一输入符号有多个转移或通过ε（空串）转移 。尽管形式不同 ，但两者均用于识别正则语言 ，即由正则表达式定义的语言类 。
2 、正则表达式转等价有限状态自动机 通过经典算法将正则表达式转换为有限状态自动机（FA），自动机包含状态、起始终止状态和转移规则。此转换确保了正则表达式与FA的等价性 。有限状态自动机作为循环神经网络 FA通过计算前向得分来推理 ，实现循环神经网络（RNN）的更新公式 。
3 、正则表达式转等价有限状态自动机：通过经典算法确保正则表达式与FA的等价性。有限状态自动机作为循环神经网络：利用FA的转移过程类似于RNN的更新过程 ，实现RNN的更新公式 。参数分解：分解FA中的大参数矩阵以降低复杂度，同时引入预训练词向量，结合外部知识 。
4 、符号表示：SPO三元组（如“杨过-武器-玄铁重剑”）；向量表示：通过模型（如TransE、RotatE）将实体和关系映射为低维稠密向量 ，保留语义相似性（如“剑 ”与“刀 ”的向量距离较近）。
5、稠密的语义向量（嵌入）：通过word2vec等方法学习单词的嵌入向量 ，这些向量能够捕捉单词之间的语义关系。嵌入向量在文本分类 、情感分析 、机器翻译等任务中都有广泛应用 。第七章：神经网络和神经网络语言模型 神经网络模型：包括多层感知机、卷积神经网络（CNN）和循环神经网络（RNN）等，是深度学习的核心 。
floyd算法介绍
1 、Floyd算法定义与用途：Floyd算法是一种用于求解所有节点对之间最短路径问题的算法。它可以处理包含负权边的图 ，但不能处理包含负权环的图（即从一个节点出发经过若干条边后回到该节点 ，且总权值为负的情况） 。算法原理：Floyd算法通过动态规划的思想，逐步考虑图中所有节点作为中间节点 ，更新任意两点之间的最短路径 。
2 、弗洛伊德（Floyd）算法是一种用于求解多源最短路问题的动态规划算法 ，适用于有向或无向带权图（允许负权边，但需无负权回路） ，通过三重循环逐步更新所有顶点对的最短路径。
3、Floyd算法是一种针对All Pairs Shortest Paths (APSP)问题的动态规划方法 ，特别适合处理稠密图，其边权可以是正数也可以是负数 。这个算法以其简洁高效而著称 ，其核心是紧凑的三重循环结构 ，对于包含大量边的图，相对于独立执行|V|次Dijkstra算法，其效率有着明显的优势 。
4 、弗洛伊德（Floyd）算法是一种通过动态规划求解多源最短路问题的经典算法 ，适用于有向或无向带权图（允许负权边 ，但禁止负权回路），其核心是通过逐步引入中间顶点更新所有顶点对的最短路径。
正则表达式匹配
^：表示匹配起始位置 [1-9]：表示1到9的数字 \d+：表示 ，0-9的数字 ，个数为任意个 $：匹配末尾 。所以合起来就是：从开始到结束，期间都是数字 。其中第一位 ，只能是1-9。余下的 ，也都是数字，个数不限 。因此 ，最终实现了需求：非0的数字 。
正则表达式：^0*[1-9]d*(？：/0*[1-9]d*)？核心功能：该正则表达式用于精确匹配两种数字格式：纯数字（允许以零开头 ，如 0121007）。带斜杠的数字（格式为 数字/数字，且斜杠后的数字不能为零 ，如 111/11 有效 ，123/0 无效）。
+ 匹配前面的子表达式一次或多次 。要匹配 + 字符，使用 \+ 。\ 将下一个字符标记为或特殊字符 、或原义字符、或向后引用 、或八进制转义符。例如， n 匹配字符 n 。\n 匹配换行符 。序列 \\ 匹配 \ ，而 \( 则匹配 (。| 指明两项之间的一个选择 。
# 匹配第一个标签match = re.search(pattern ， html)if match： print(匹配结果：， match.group()) # 输出： 通过非贪婪匹配操作符 ？ ，可精准控制正则表达式的匹配范围 ，实现仅匹配第一个闭合标签的需求 。
本文来自作者[dxalshfzz]投稿，不代表点新号立场，如若转载，请注明出处：https://dxalshfzz.com/yule/202604-2332.html
评论列表（3条）
我是点新号的签约作者“dxalshfzz”
本文概览：本文目录一览： 1、正则表达式与有限状态向量机的关系是什么? 2、...
文章不错《动态规划正则表达式（正则匹配 动态规划）》内容很有帮助