语言

当初团队里简直所有的代码都须要通过 Code Review（代码审查）之后才容许合入主分支。笔者在 CR 中看到了不少不适宜的问题，也看到了不少值得学习的点，于是决定一点一滴地记录这些做法、教训、教训，以飨读者。如有谬误，也欢送读者不吝指正。 上一篇文章: context 类型的 key 有什么考究？ 一句话标准问题背景可能存在问题解决办法应用值传递的长处什么时候应该应用援用传递一句话标准当函数的入参、出参是一个构造体时，如无必要，应用值传递而不是援用传递问题背景当咱们用 Go 开发时，对外裸露一个函数 / 办法时，以构造体作为函数的入参或出参，是十分常见的。比如说，咱们实现上面的一个函数，返回一个用户信息。 比如说，咱们提供两个函数，别离用来获取相干用户的权限信息: package permissiontype UserPermission struct { UserID string Permissions []string}// GetUserPermissions 获取指定 user ID 的权限func GetUserPermissions(userID string) *UserPermission// SetUserPermissions 设置指定 user ID 的权限func SetUserPermissions(permission *UserPermission) error能够看到，在下面的代码中，UserInfo 作为出入参都是以指针存在的。这种模式的代码十分多，也十分典型，而且大家都会习惯于这么写，特地是有面向对象思路的程序员。 那么，这么写能够吗？有什么问题呢？其实这个要具体问题具体分析，上面咱们就来一起看一看。 可能存在问题假如有一个新需要，是复制一个用户的权限给新用户。这逻辑看起来挺简略，代码里这么写，齐全是荒诞不经的： // CopyUserPermissions 复制用户权限func CopyUserPermissions(ctx context.Context, fromUserID, toUserID string) error { pms := permission.GetUserPermissions(fromUserID) pms.UserID = toUserID return permission.SetUserPermissions(psm)}这种写法，节俭了内存应用，逻辑也十分清晰，code review 的时候直呼赞。 有什么问题吗？隐含的问题不在 CopyUserPermissions 上，而在 GetUserPermissions 中。有时候某些数据，咱们可能是通过本地缓存来实现的，基于这种模式，GetUserPermissions 外部的逻辑就有可能是： ...

大规模语言模型畛域迎来新“选手”。近日，微信 AI 推出自研 NLP 大规模语言模型 WeLM ，该模型是一个尺寸正当的中文模型，可能在零样本以及少样本的情境下实现包多语言工作在内的多种 NLP 工作。 同时，微信 AI 团队也提供了 WeLM 的体验网页和 API 接口，感兴趣的用户可返回 https://welm.weixin.qq.com/docs/体验和申请 API 接口，相干技术论文《WeLM: A Well-Read Pre-trained Language Model for Chinese》也曾经公布于论文预印本网站 arXiv。 NLP 大模型迎新选手，WeLM 提供交互式网页 PlayGround 和 API 接口在近几年自然语言解决（NLP）畛域的倒退浪潮中，OpenAI 开发的自然语言解决模型 GPT-3 无疑风头无两，公布之初便以 1750 亿参数规模的预训练模型所体现进去的零样本与小样本学习能力刷新了人们的认知，也引爆了 AI 大模型钻研的热潮。 对业界来说，预训练大模型升高了 AI 利用的门槛，间隔“AI 把人类从重复性劳动中解放出来”的宏伟目标越来越近，目前，基于 GPT-3，寰球开发者曾经摸索出包含编程、回复邮件、 UI 设计、答复数学问题、法律语言转化、总结中心思想、推理、文本处理等广泛应用场景，并且，各国研究者在多语言/多任务等角度的摸索也正在谱写大模型百家争鸣的新篇章。而在国内以中文为外围的大规模语言模型畛域，微信 AI 推出的百亿级别大规模语言模型 WeLM，便是大模型百家争鸣中的新选手。 据介绍，WeLM 是一个百亿级别的中文模型，可能在零样本以及少样本的情境下实现包含对话-采访、浏览了解、翻译、改写、续写、多语言浏览了解在内的多种 NLP 工作，并具备记忆能力、自我纠正和查看能力。并且，WeLM 具备尺寸正当的劣势，在 14 项中文 NLP 工作上， WeLM 的整体体现超出了所有同大小的模型，甚至可能匹配比它大 25 倍的模型。以被普遍认为是更艰难的 NLP 工作的文本格调转换（改写）为例，只管用户给出的5个例子和最初须要生成的例子并没有重合的格调转换类型，但 WeLM 领有杰出的触类旁通能力，通过学习大量的文本转换例子即可达到对任意类型的文本转换。并且，WeLM 在对话-采访、浏览了解、翻译、续写等多个中文文本生成工作中有着同样优异的体现。 ...

摘要：在这篇博文中，咱们介绍来自Google的一篇论文《Scaling End-to-End Models for Large-Scale Multilingual ASR》，来看看如何构建一个可能辨认15种语言的多语ASR零碎。本文分享自华为云社区《多语言ASR 没有什么听不懂，15种语言我全都要》，作者：xiaoye0829 。 在这篇博文中，咱们介绍来自Google的一篇论文《Scaling End-to-End Models for Large-Scale Multilingual ASR》。建设一个能辨认多种语言的ASR零碎，是非常有挑战的，因为这些语言之间存在着十分大的差别，并且数据量非常不平衡。现有的工作中，咱们能够察看到利用有丰盛语料的语言，能够帮忙只有大量语料的语言的学习，然而这往往也随同着，有丰盛语料的语言的成果会降落。咱们在15种语言上进行了钻研，每种语言的大小从7.7千小时到54.7千小时，咱们发现增大模型的参数量，是解决容量瓶颈的无效办法，咱们500M参数的模型，曾经超过了单语的baseline模型，当咱们把模型参数进一步增大到1B或者10B时，咱们能取得更大的收益。另外，咱们发现大模型不仅在数据利用上更无效，在训练工夫上也更有效率，咱们的1B（10亿）参数的模型达到和500M参数的模型雷同的准确率，只花了34%的工夫。当模型容量无限时，减少模型的深度，通常比减少模型的宽度要好，更大的encoder，也往往比更大的decoder要好。 多语言ASR的关注点通常在于进步低资源（只有大量语料）语言的性能，背地的思维是，利用类似语言的数据，多种语言一起联结优化，以及间断的正向迁徙从高资源语言的迁徙。在这篇文章中，咱们从容量（capacity）的视角来钻研下，在多语言的模型中，高资源语言的性能降落问题。 先前的工作摸索过50到100种语言，然而数据集的大小非常无限，最大的数据集仅仅只有1k小时的演讲数据。在咱们的试验中，每种语言的数据量从7.7千小时到54.7千小时（如下图，counts代表语音的条数，hours代表语音的时长），这使得咱们能够有一个高质量的单语模型，那么咱们就是要训练一个多语的模型，可能超过每个单语的模型。咱们从容量的角度展现了如何去解决这个问题。 随着模型容量回升，咱们胜利复原了所有高资源单语模型的性能。咱们做了很多比照试验，并发现减少深度通常能获得比减少宽度更好的成果，并且咱们发现，encoder的容量往往与模型的辨认成果很相干。咱们察看到，在固定的模型容量下，如何调配语言的信息变得不那么重要了。而且，大模型更简略，并且更有效率，须要更少的训练轮次，和更少的TPU工夫，去达到类似的试验成果。 在本文的多语言ASR零碎中，应用的是一个基于attention的encoder-decoder模型。对于encoder，咱们应用Conformer架构，蕴含一个输出映射层，一个绝对地位嵌入层，以及一些conformer层。第一个conformer块，蕴含4个conformer层。第二个conformer块，蕴含一个conformer层。咱们的decoder尝试了两种不同的架构，一种是单向的LSTM，另一种是带有掩码的自留神和跨注意力机制的Transformer。咱们的输入词表大小为一个有3328个token的表，在这个表中， 3315个token是在训练集中至多呈现了1000次，剩下的token是一些非凡的token，相似“<s>”</s>“”，和一些占位填充符。词表中的大部分词来自于中文，并且中文因为在训练集中的覆盖面，是惟一一个有OOV问题的语言。咱们将语言信息也编码成一个one-hot向量，作为一个额定的输出。咱们在训练的工夫，简略地把所有数据放在一起，并且依据数据分布，在每个batch里，去进行采样。整个eocoder-decoder模型是在网络的输入和实在文字间，用穿插熵进行优化的。 实际上，咱们有很多办法，去缩放一个基于encoder-decoder的多语言模型，在这篇文章中，咱们次要钻研上面四种模式的影响： 深度 vs 宽度；encoder vs decoder；语言相干的模型容量 vs 语言无关的模型容量；架构 vs 容量。严格来说，模型容量并不齐全等于模型的参数量，比方模型大小。对于有语言依赖的模型内容，推理时的模型容量，要小于训练时候的模型容量，这是因为在推理的时候，只有奉献的参数和对应于特定语言的参数被激活。为了简化本文的探讨，咱们关注在训练时的模型容量，并且混用模型大小和容量。缩放模型大小，也会带来很多理论问题，比方模型的并行化反对。 本文的试验，是在来自9种语系的15种语言上进行的试验。总计235.4百万条语音，语音时长共计364.9千小时，这些数据采集自谷歌的声学搜索引擎，数据是齐全匿名的，并且由标注人员标注成文本。本文应用的数据是之前论文应用的数据的20倍。据咱们所知，这也是第一篇在这么大规模的数据集上做多语言试验的论文。与之前多语言的工作不同，咱们关注在不同高资源语言间的烦扰问题。在咱们的设定里，咱们最小的语言有大概7.7千小时的训练数据，大概是之前工作里最大的语言资源的7倍。这个规模的数据集又给训练效率带来了挑战。咱们的每种语言的测试集，蕴含大概3到19k的语音，这些语音是从谷歌语音搜索引擎外面的采样进去的，并且和训练集没有重合。同样地，测试集也是齐全匿名和手工转写的。 咱们在训练的时候应用了80维的log mel特色，每帧的窗口大小为32ms，每两个窗口间有10ms的重叠。将间断3帧的特色重叠起来，并做一个下采样，咱们能取得240维的输出特色，这个特色的采样率为30ms。一个16维的one-hot语言向量，被送入到encoder中作为额定的输出，SpecAugment数据加强也被用来加强模型的鲁棒性。整个模型利用512个TPU核进行训练，除了10B（100亿）参数的模型，用了1024个TPU进行训练，这次要是因为每核16G的带宽限度。模型应用同步随机梯度降落进行优化。对于LSTM作decoder的模型，咱们采样Adam优化器做优化，对于Transformer，咱们采样Adafactor做优化器。transformer学习率优化策略也被应用，其中最大学习率为3e-4，warmup的步数为10k。 在这一节，咱们展现咱们在大规模数据集上建设高质量的多语言模型的钻研后果，为了简略，咱们只用均匀WER作比照，并且只汇报每种语言的性能。 咱们应用Conformer作为encoder和LSTM作为decoder，来构建单语的baseline模型，encoder蕴含17层conformer block，每个conformer层的模型维度为512，有8个head的attention，conformer外部卷积模块中，卷积核的大小为15。decoder是LSTM，蕴含2层640维的LSTM，暗藏单元的大小为2048。每个单语模型的大小为140M，并被用来预测跟该语言相干的token。均匀的WER为9.29%。每种语言的性能如下图所示，其中英语（US）的WER最低，为4.6%，Marathi（IN）的WER最高为20.2%。领有更多训练数据的语言，往往有更低的WER。 为了证实conformer作为多语言建模的encoder的有效性，咱们比照了三种不同encoder，他们都以LSTM作为decoder。1. LSTM作为encoder，蕴含8层LSTM，每层有2048个暗藏单元，和640维的输入单元。2. ContextNet作为encoder，蕴含24层contextnet，每层有640维的暗藏单元，通道大小为2。3. Conformer作为encoder，蕴含17层conformer，每层有512维的暗藏层，这个设置和单语的模型统一。语言适应层（Language Adapter）在每个encoder层之间都被插入。这三种不同encoder构造的抉择，是为了使得模型参数的总数尽肯能保持一致，都大概为220M。相比单语模型，多语模型的大小的减少次要来自于额定的语言适应层（Language Adapter）和输入词表的大小的减少。这三个模型的均匀WER为11.86%，10.77%，和9.43%。这个后果充沛展现了conformer作为多语ASR的encoder的成果。比照单语模型，只管在品质上还不如单语模型，然而它在同时辨认15种语言上，体现得很好。它在大略21个epoch时收敛，训练了大略120万step，而单语模型通常要训练到50个epoch。为了了解语言适应层的成果，咱们做了上面的融化试验，为了疾速进行试验，咱们比照了模型在200k step时候的成果，大概此时是在第3.5个epoch。应用语言适应层，会带来语言依赖的参数，和一些模型大小上的减少。为了帮咱们更好了解，咱们训练了一个独自的适应模型，能使得所有模型共享雷同的adapter transformation。因而，咱们的模型可能大小可能解脱adapter模型。在200k step时，这个模型取得了10.86%的均匀WER，绝对刚刚的baseline（带语言适应层），取得了10.38%的均匀错误率。从这个比照，能够看到，在模型中退出语言适应层很重要。 除了用一个共享decoder，多头模型（用不同的decoder针对不同的语系）可能被用来减少模型容量，和之前的工作雷同，咱们为每种语系应用不同的decoder。总共5种语系会被应用，包含Germanic, Italic，Arabic，Indo-Iranan和其余语言。为了比照，咱们确保单个decoder和多个decoder模型有雷同的参数量：1. 单decoder模型有6层768维的LSTM，每层有3074维的暗藏单元。2. 多decoder，有5个decoder，每个decoder有2层640维的LSTM，每层有2048维的暗藏层单元。这两种模型都有354M的参数。在200k的step时，单个decoder的均匀WER为10.13%，多个decoder的均匀WER为10.28%，这倡议咱们在雷同的模型大小下，咱们用单个decoder，相比多个decoder要好。 为了进步咱们多语模型的成果，咱们进一步把模型参数从354M减少到500M，通过把模型的宽度从512维，增大到640维。把宽度从17层，增大到22层。这个增大后的模型，在200k step时可能取得9.63%的WER，并在1.1M step时，取得了9.13%的WER，能超过单语模型。然而，相比根本的220M的模型，它的训练速度慢了1/3，这是因为RNN的谬误反向流传带来的。这个个性也使得用LSTM做decoder不适宜进一步的模型扩增。相比LSTM，基于transformer的decoder模型，在训练时有更高的并行化能力。在雷同的encoder架构下，咱们建设了一个Transformer decoder模型，参数大概500M，有12层transformer，768维的模型维度，3072维的暗藏层维度，和8个attention head。它的均匀WER是9.26%，比LSTM的WER要高一些，然而它的训练速度和220M baseline模型靠近。因而，咱们在前面的钻研中，都用Transformer作为decoder。 在上面的试验中，咱们想进一步增大Conformer作为encoder和Transformer作为decoder的模型的容量大小，试验后果如下表所示，L示意模型的层数，W示意模型的维度，loss是训练样本负log混同，越低越好。speed是每秒训练的样本数。B0是baseline模型，“-”示意和B0没有区别。所有的E模型的参数量大小都为1B。 比照E1和E2，E5和E6，咱们能够看到越深的模型获得了相比越宽的模型更好的成果。然而，越深的模型须要更长的工夫去训练（2352 vs 3419）。比照E1-E4和E5-E7，增大encoder的容量，相比增大decoder的容量，能取得更好的后果。然而， 更大的decoder往往有更好的training loss。E4,这个模型均匀把模型容量分给宽度和深度，在这个task上体现得并不好，相较而言，E3把更多地模型容量分给宽度，要体现得更好一些。最初，E8模型，首先把模型容量，均匀分给encoder和decoder，而后把更多的容量分给depth，和E3的性能差不多。E3模型最终在600k step时收敛，大概10个epoch。最终取得了大概9.07%的均匀WER。 在这个工作中，咱们钻研了如何构建一个多语言端到端ASR零碎，咱们通过增大模型容量来解决这个问题。随着模型的增大，咱们察看到模型的成果一直减少，咱们也能建设一个独自的多语言辨认的ASR零碎，这个零碎能在高资源的语言上超过不同的单语模型。 想理解更多的AI技术干货，欢送上华为云的AI专区，目前有AI编程Python等六大实战营供大家收费学习。 点击关注，第一工夫理解华为云陈腐技术~

摘要：在理论开发过程中，免不了波及到混合编程，比方，对于python这种脚本语言，性能还是无限的，在一些对性能要求高的情景上面，还是须要应用c/c++来实现。那怎么做呢？咱们能应用pybind11作为桥梁，pybind11的长处是对C++ 11反对很好，API比较简单，当初咱们就简略记下Pybind11的入门操作。 1. pybind11简介与环境装置Pybind11 是一个轻量级只蕴含头文件的库，用于 Python 和 C++ 之间接口转换，能够为现有的 C++ 代码创立 Python 接口绑定。Pybind11 通过 C++ 编译时的自省来推断类型信息，来最大水平地缩小传统拓展 Python 模块时繁冗的样板代码， 曾经实现了 STL 数据结构、智能指针、类、函数重载、实例办法等到Python的转换，其中函数能够接管和返回自定义数据类型的值、指针或援用。 间接应用pip装置pip3 install pybind11因为pybind11依赖于pytest，所以在装置前须要先把pytest给装置上pip3 install pytest2. 求和函数首先，咱们编写一个C++源文件，命名为example.cpp。 // pybind11 头文件和命名空间#include <pybind11/pybind11.h>namespace py = pybind11;int add(int i, int j){ return i + j;}PYBIND11_MODULE(example, m){ // 可选，阐明这个模块是做什么的 m.doc() = "pybind11 example plugin"; //def( "给python调用办法名"， &实际操作的函数， "函数性能阐明" ). 其中函数性能阐明为可选 m.def("add", &add, "A function which adds two numbers", py::arg("i")=1, py::arg("j")=2);}PYBIND11_MODULE()宏函数将会创立一个函数，在由Python发动import语句时该函数将会被调用。模块名字“example”，由宏的第一个参数指定（千万不能呈现引号）。第二个参数"m"，定义了一个py::module的变量。函数py::module::def()生成绑定代码，将add()函数裸露给Python。 咱们应用CMake进行编译。首先写一个CMakeLists.txt。 cmake_minimum_required(VERSION 2.8.12)project(example)add_subdirectory(pybind11)pybind11_add_module(example example.cpp)就是CMakeList.txt和example.cpp放在一个目录上面。 ...

摘要：该文章次要介绍makefile，一种常用语GNU gcc编译的工具语言，同时LiteOS也是利用该文件对工程项目进行make构建生成执行文件的。LiteOS源码中应用makefile进行文件的批处理编译和连贯到生成文件，如果在应用LiteOS来设计工程时应用GNU编译器进行编译，个别会都会应用到makefile进行编译和链接程序，如果应用的Keil或IAR的编译器进行编译则在Keil IDE或IAR IDE中设置编译器信息和文件包换门路就能够了进行编译链接和输入文件。 1、makefile介绍简略的说makefile就是make执行的文件，将代码变成可行性文件的的过程叫做编译，组成一系列文件的编译叫做构建（build），Make是GNU提供的构建工具，次要用C、C++我的项目的构建编译过程，要学会应用Make，咱们就须要学会应用makefile编写，makefile，该文件形容了如何编译和链接由几个C源文件和几个头文件组成的文本编辑器。当明确要求时，makefile还能够通知make如何运行其余命令（例如，删除某些文件作为清理操作） 1.1 makefile 规定一个简略的makefile由具备以下形态的“规定”组成： target … : prerequisites … recipe … …target(指标)通常是由程序生成的文件的名称。指标的示例是可执行文件或指标文件。指标也能够是要执行的操作的名称，例如“clean”； prerequisites（前置条件）是一个文件，该文件用作创立指标的输出。一个指标通常取决于几个文件； recipe（命令）是一种要执行的动作。配方可能在同一行上或在本人的行上具备多个命令。请留神：您须要在每个配方行的结尾增加一个制表符！这是一个含糊的中央，引起了人们的留神。如果您心愿在食谱中应用制表符以外的其余字符作为前缀，则能够将.RECIPEPREFIX变量设置为其余字符 "指标"是必须的，不可省略；"前置条件"和"命令"都是可选的，然而两者之中必须至多存在一个。 一条规定阐明了如何以及何时从新制作作为特定规定指标的某些文件。 make依据创立或更新指标的先决条件执行办法。规定还能够解释如何以及何时执行某项操作。一个makefile可能蕴含除规定之外的其余文本，然而一个简略的makefile只需蕴含规定。规定看起来可能比此样例中显示的要简单一些，但所有规定或多或少都适宜该模式。 1.2Makefile 语法① # 示意正文 ② 通配符用来指定一组符合条件的文件名。Makefile 的通配符与 Bash 统一，次要有星号（）、问号（？）和 [...] 。比方， .o 示意所有后缀名为o的文件。 ③ %模式匹配 如须要编译当前目录下a.c和b.c两个文件，原来的写法是： a.o: a.cb.c: b.c利用%能够简写为： %.o : %.c在解决大量同类型文件时既能够利用%简写文件 ④ “=” 自定义变量 txt = Hello Worldtest: @echo $(txt)下面的 txt代替的了“Hello World” 同时基于“=” Makefile提供了（=、:=、？=、+=）四个赋值运算操作。 ⑤ 内置变量 Make有本人的操作变量，特指一些本人的性能命令；如：$(CC) 指向以后应用的编译器，$(MAKE) 指向以后应用的Make工具 具体变量规定可参考：https://www.gnu.org/software/... ⑥ 主动变量（Automatic Variables） makefile提供一些与规定相干的变量，罕用的有： （1）$@ -----指代以后指标 （2）$< -----指代第一个前置条件 ...

笨办法学io基本上在剽窃《笨办法学python》和《io语言手册》 练习0. 筹备工作 练习1. 第一个程序 练习2. 正文和“#”井号 练习3. 数字和数学计算 练习4. 变量 练习5. 更多的变量和打印 练习6. 字符串和文本 练习7. 还是赋值、拼接和打印 练习8. io语言的基本概念-原型 练习9. io语言的基本概念-都是对象 练习10. 读写文本 练习11. 读取目录中的文件名 练习12. 复制文件 练习13. 再来聊聊原型、对象和办法 练习14. return返回 练习15. List列表和map散列 练习16. 操作字符串 练习17. if条件表达式 练习18. 其余条件表达式 Io语言入门 一个应用Io语言实现的简略weblog 完结

去年，和公司的大佬探讨了一系列对于代码的代码化，还记录了一些笔记。在那之后，我开始了各种尝试：如何将代码转变动代码。原先有一些思路，而后过了一年之后，缓缓地练习，又有了一些新的播种。 咱们想要做的事件是：把任意的 A 语言转换为任意的 B 语言（PS：这里的任意 A 和任意 B 语言都是支流语言）。如此一来，咱们便能够： 疾速重写任何的零碎。与编程语言无关的领域建模。产生一个更弱小的 DSL。创立新的语言。引子 0：对立语言模型对立语言模型，即对不同的比编程语言进行形象，应用同一套数据结构形容编程语言。在我应用了 Golang + Antlr 实现了 Coca 之后，我意识到这是一条可行的计划。然而，因为 Coca 的架构和用处所限，外加之 Antlr 对于 Java 的反对远比 Go 要好，我并没有持续在 Coca 上施行这个计划。 于是乎，我开始了第二个尝试，应用 Kotlin + Antlr 来实现对不同语言的模型对立，也就是我的另外一个开源我的项目 Chapi。然而呢，随着一直的尝试，我发现了其中的难度和工作量比拟大： 编写不同语言的语法解析。社区上曾经有大量的成熟的轮子，其中最闻名的就是 Antlr 相干的语法解析。官网保护的代码仓库（grammars-v4）蕴含了大量的 Antlr 语法解析案例，能够找到市面上一些支流的和非主流的实现。设计对立语言模型。即设计出一套能兼容不同语言的语言模式。当然了，这是一个继续欠缺的过程，会随着更多语言的退出，变得更加残缺和简单。解析不同语言。即依据不同语言的语法个性，转换为上述的模型。从难度上来说，咱们能够看出技术难度次要是在步骤 1 和步骤 2。而步骤 3 呢，则是一个十分繁琐、工作量微小的体力活。咱们还须要相熟不同的编程语言，并一一解析对应的字段，能力转换每一个语言。 因而，我尝试建设起了 Chapi 的社区，而后手把手率领一群人干活。只管，对于不同的语言我曾经建设起了对立的编写模式：TDD + Tasking。仿佛，很多人对于 AST 有点放心，因而参加的人非常少。所以，对于其它语言的反对就不了了之。 相干资源： 具体的设计能够参考我写的那一篇：《如何为代码建模？》具体的实现能够参照：https://github.com/phodal/chapi引子 1：语法高亮的背地与此同时，哪怕有足够的人，Antlr 并非一个完满的答案。在编写不同语言的反对时，我仍旧遇到一系列的 Antlr 语法不反对的问题。如 JavaScript 的 Import，Java 的一些 Lambda 问题……。换句话来说，Antlr 官网只是保护这么一个库，实在的成果就不得而知了。 于是，我就回到了一条老路上，应用正则——当然不会本人写了。在那篇《编程语言的 IDE 反对》中，我提到了基于正则表达式来实现语法分析，其中介绍了两个编辑器的实现形式： ...