C语言实现计算表达式(计算器程序)

需积分: 50 1 下载量 45 浏览量 更新于2024-07-16 1 收藏 1.47MB PDF 举报
"该资源是一份关于少儿编程的C++教程,主要讲解了如何进行计算(calc)相关的编程问题。文档日期为2020.01.17,适合青少年学习,涉及到的数据结构包括数据栈和运算符栈,用于解决中缀表达式到后缀表达式的转换以及计算。" 这篇文档内容主要涉及以下几个编程知识点: 1. **中缀表达式与后缀表达式**: - 中缀表达式是我们通常使用的数学表达式,如2 + 3 * 4,其中运算符位于操作数之间。 - 后缀表达式(也称为逆波兰表示法)不包含括号,运算符位于操作数之后,如2 3 4 * +。这种表示法有利于计算,因为它避免了运算符优先级的困扰。 2. **运算符栈**: - 运算符栈在这里用于处理中缀表达式到后缀表达式的转换。栈是一种LIFO(后进先出)的数据结构,对于计算过程中的运算符,可以使用栈来保存它们,以便按照正确的顺序进行计算。 3. **数据栈**: - 数据栈用于存储待运算的数值,类似于一个临时存储区,方便进行加减乘除等操作。 4. **运算符优先级**: - 文档中定义了一个优先级数组`c`,用于存储不同运算符的优先级,例如`c['+']`=1,`c['*']`=2,`c['^']`=3,`c['('']`=4。这有助于判断何时可以进行计算。 5. **计算函数`compute()`**: - `compute()`函数负责执行实际的计算,根据运算符进行相应的加、减、乘、除或求幂运算。这个函数是基于当前运算符栈顶元素的运算符进行操作的。 6. **判断是否可以计算的函数`can()`**: - `can()`函数用于判断当前运算符栈中的运算符是否满足计算条件,如是否存在未匹配的括号,或者左边运算符的优先级是否高于右边的运算符。 7. **获取整数的函数`getint()`**: - `getint()`函数从输入字符串中读取一个整数,直到遇到非数字字符。它还处理了遇到括号的情况,如果遇到'(',则将'('压入运算符栈,并递归调用自身。 8. **主函数`main()`**: - 在`main()`函数中,设置了运算符的优先级,读取用户输入的中缀表达式,然后进行后续的转换和计算。 这份教程详细介绍了如何使用C++编写程序来解析和计算中缀表达式,是学习基础算法和数据结构的好材料,特别是对于初学者,能帮助理解如何利用栈处理计算问题。

解释这段代码static void chassis_control_loop(chassis_move_t *chassis_move_control_loop) { fp32 max_vector = 0.0f, vector_rate = 0.0f; fp32 temp = 0.0f; fp32 wheel_speed[4] = {0.0f, 0.0f, 0.0f, 0.0f}; uint8_t i = 0; float position_error, speed_error; float position_output, speed_output; float current_position, current_speed; float target_position, target_speed; chassis_move_control_loop->vx_set=vx_set; chassis_move_control_loop->vy_set=vy_set; chassis_move_control_loop->wz_set=angle_set; chassis_vector_to_mecanum_wheel_speed(chassis_move_control_loop->vx_set, chassis_move_control_loop->vy_set, chassis_move_control_loop->wz_set, wheel_speed); if (chassis_move_control_loop->chassis_mode == CHASSIS_VECTOR_RAW) { for (i = 0; i < 4; i++) { chassis_move_control_loop->motor_chassis[i].give_current = (int16_t)(wheel_speed[i]); } } for (i = 0; i < 4; i++) { chassis_move_control_loop->motor_chassis[i].speed_set = wheel_speed[i]; temp = fabs(chassis_move_control_loop->motor_chassis[i].speed_set); if (max_vector < temp) { max_vector = temp; } } if (max_vector > MAX_WHEEL_SPEED) { vector_rate = MAX_WHEEL_SPEED / max_vector; for (i = 0; i < 4; i++) { chassis_move_control_loop->motor_chassis[i].speed_set *= vector_rate; } } for (i = 0; i < 4; i++) { PID_Calc(&chassis_move_control_loop->motor_speed_pid[i], chassis_move_control_loop->motor_chassis[i].speed, chassis_move_control_loop->motor_chassis[i].speed_set); } for (i = 0; i < 4; i++) { chassis_move_control_loop->motor_chassis[i].give_current = (int16_t)(chassis_move_control_loop->motor_speed_pid[i].out); } }

2023-03-26 上传

def calc_gradient_penalty(self, netD, real_data, fake_data): alpha = torch.rand(1, 1) alpha = alpha.expand(real_data.size()) alpha = alpha.cuda() interpolates = alpha * real_data + ((1 - alpha) * fake_data) interpolates = interpolates.cuda() interpolates = Variable(interpolates, requires_grad=True) disc_interpolates, s = netD.forward(interpolates) s = torch.autograd.Variable(torch.tensor(0.0), requires_grad=True).cuda() gradients1 = autograd.grad(outputs=disc_interpolates, inputs=interpolates, grad_outputs=torch.ones(disc_interpolates.size()).cuda(), create_graph=True, retain_graph=True, only_inputs=True, allow_unused=True)[0] gradients2 = autograd.grad(outputs=s, inputs=interpolates, grad_outputs=torch.ones(s.size()).cuda(), create_graph=True, retain_graph=True, only_inputs=True, allow_unused=True)[0] if gradients2 is None: return None gradient_penalty = (((gradients1.norm(2, dim=1) - 1) ** 2).mean() * self.LAMBDA) + \ (((gradients2.norm(2, dim=1) - 1) ** 2).mean() * self.LAMBDA) return gradient_penalty def get_loss(self, net,fakeB, realB): self.D_fake, x = net.forward(fakeB.detach()) self.D_fake = self.D_fake.mean() self.D_fake = (self.D_fake + x).mean() # Real self.D_real, x = net.forward(realB) self.D_real = (self.D_real+x).mean() # Combined loss self.loss_D = self.D_fake - self.D_real gradient_penalty = self.calc_gradient_penalty(net, realB.data, fakeB.data) return self.loss_D + gradient_penalty,return self.loss_D + gradient_penalty出现错误:TypeError: unsupported operand type(s) for +: 'Tensor' and 'NoneType'

2023-05-24 上传