本文目录一览：
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 。
[19]：匹配1到9之间的任意单个数字。d{0 ，1}：匹配0到1个数字，这样可以匹配19和1099之间的数字 。综上 ，这部分正则表达式匹配1到99之间的数字 。[12]d{2}b：[12]：匹配1或2。d{2}：匹配两个数字 。综上 ，这部分正则表达式匹配100到299之间的数字 。b300b：直接匹配数字300，并确保它是独立的。
【AI解题】LeeCode题库第10题(困难)
方法思路动态规划（DP）：这是一个典型的动态规划问题 。我们可以使用一个二维数组dp ，其中dp[i][j]表示字符串s的前i个字符和模式p的前j个字符是否匹配 。初始化：dp[0][0]表示空字符串和空模式匹配 ，因此初始化为True。对于模式p的前j个字符能否匹配空字符串，需要处理类似a*b*c*的情况 ，即这些字符可以出现零次 。
复杂度分析：时间复杂度：O(n) ，其中 n 是数组的长度 。需要遍历数组的一半长度进行交换操作。空间复杂度：O(1)，只使用了常数级别的额外空间。这种方法高效且满足题目要求，能够正确反转输入的字符数组 。
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 、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 。
5 、方法分类规则与词典方法通过正则表达式 、指示词、中心词等匹配实体和关系 。例如 ，用正则表达式从“张华考上了北京大学”中提取实体对“张华-北京大学 ” ，或通过指示词“考上了 ”识别“就读”关系。该方法依赖人工设计的规则，适用于结构化文本，但泛化能力较弱。
本文来自作者[一心只为一人]投稿，不代表点新号立场，如若转载，请注明出处：https://sc-hx.cn/zlan/202603-1919.html
评论列表（3条）
我是点新号的签约作者“一心只为一人”
本文概览：本文目录一览： 1、正则表达式匹配 2、【AI解题】LeeCode题库第10题(困难)...
文章不错《动态规划正则表达式是什么（动态规划csdn）》内容很有帮助