281
个编辑
更改
跳到导航
跳到搜索
第158行：
第158行： − + + + + + 第172行：
第176行： + +
无编辑摘要
=== 用梯径做压缩 ===
=== 用梯径做压缩 ===
以字符串"ABCDBCDBCDCDEFEF"为例，经梯径方法处理后，我们获得了如图深灰色所示的三个梯元{'BCD','CD','EF'}。原始字符串本质上是由基础构件与这些梯元组合而成。<syntaxhighlight lang="python">
以字符串"ABCDBCDBCDCDEFEF"为例，经梯径方法处理后，我们获得了如图深灰色所示的三个梯元{'BCD','CD','EF'}。原始字符串本质上是由基础构件与这些梯元组合而成。
下面给出在技术层面，如何使用梯径方法进行压缩
<syntaxhighlight lang="python">
import ladderpath as lp
import ladderpath as lp
import ladderpath_tools.compress as lp_c
import ladderpath_tools.compress as lp_c
</syntaxhighlight>
</syntaxhighlight>
现对compressed_list进行说明：分隔符"@"用于区分不同序列和梯元；第一个元素"1"表示目标序列仅包含一个字符串，后续元素"A", 2, 2, 2, 1, 0, 0描述原始字符串的重构过程：基础构件"A"首先与元素2组合再与元素2组合两次依次与元素1、元素0（两次）组合；三个"@"分隔符划分三个梯元："EF"表示梯元0，由基础构件E和F组合生成；"CD"表示梯元1，由C和D组合生成；同理，"B", 1组成梯元2。
需注意，compressed_list中的梯元ID可能因实现细节与梯径算法给出的梯元ID存在差异。
=== 用梯径分析神经网络 ===
=== 用梯径分析神经网络 ===