document.write(sToMatch.replace(/.+/gi,"*") + "<br>"); //输出:*
document.write(sToMatch.replace(/.*/gi,"*") + "<br>"); //输出:**
为什么第1次和第2次的结果会不一样？？
-
等级
本版专家分：264结帖率 100% -
var sToMatch = "abcde";
document.write(sToMatch.replace(/.+/gi,"*") + "<br>"); //输出:*
document.write(sToMatch.replace(/.*/gi,"*") + "<br>"); //输出:**
为什么第1次和第2次的结果会不一样？？展开阅读全文
-
等级
本版专家分：1125 -
不知道这样是否好理解一些：
var sToMatch = "";
document.write(sToMatch.replace(/.+/gi,"*") + " <br>"); //输出:
document.write(sToMatch.replace(/.*/gi,"*") + " <br>"); //输出:*
-
等级
本版专家分：264
-
个人是这样理解的
/.+/gi把"0a0b0c0de0"匹配了，然后返回
/.*/gi是先什么都不匹配，然后再把"0a0b0c0de0"匹配了，所以替换了两个*出来
不知道这样对吗？？
-
等级
本版专家分：1125
-
接近了，但不是的，再看个例子：
var sToMatch = "abcde";
document.write(sToMatch.replace(/.+/gi,"*") + " <br>"); //输出:*
document.write(sToMatch.replace(/a*/gi,"*") + " <br>"); //输出:**b*c*d*e*
-
等级
本版专家分：10 -
第一下是因为 贪婪,第二个/a*/是匹配 空字符串和"a",我理解的对吗?
-
等级
本版专家分：264
-
1个是1次，1个是0次，我明白了，自己想复杂了，
钻到.包含0的陷阱里去了，晕，仍多谢大家。
-
等级
本版专家分：302
-
onepiece81 你明白了,我还不明白,看我:http://topic.csdn.net/u/20080717/11/4e2c1401-f872-4459-848b-23a8c66d93c9.html?seed=1168906502
最后一楼发的贴子,谢谢
-
等级
本版专家分：445
-
你有没有试着把匹配范围中的g去掉，再试试看效果？
-
等级
本版专家分：302
-
去掉当然能理解了,只匹配一次吗?输出*bcde
-
等级
本版专家分：264
-
来捧场了啊，呵呵
-
等级
本版专家分：158543勋章
-
- 进士 2008年 总版技术专家分年内排行榜第四
-
-
铜牌
2008年11月 总版技术专家分月排行榜第三
2008年5月 总版技术专家分月排行榜第三
2008年3月 总版技术专家分月排行榜第三
-
-
红花
2009年3月 Web 开发大版内专家分月排行榜第一
2009年2月 Web 开发大版内专家分月排行榜第一
2008年11月 Web 开发大版内专家分月排行榜第一
2008年7月 Web 开发大版内专家分月排行榜第一
2008年6月 Web 开发大版内专家分月排行榜第一
2008年5月 Web 开发大版内专家分月排行榜第一
2008年4月 Web 开发大版内专家分月排行榜第一
2008年3月 Web 开发大版内专家分月排行榜第一
2008年2月 Web 开发大版内专家分月排行榜第一
-
-
黄花
2009年4月 Web 开发大版内专家分月排行榜第二
2009年1月 Web 开发大版内专家分月排行榜第二
2008年12月 Web 开发大版内专家分月排行榜第二
2008年10月 Web 开发大版内专家分月排行榜第二
2008年9月 Web 开发大版内专家分月排行榜第二
2008年8月 Web 开发大版内专家分月排行榜第二
-
-
这个你只要理解了，+和*你就明白了
- JAVA 正则表达式练习 用户注册密码登录系统 略有不完善求解
用户登录系统：用户已注册的用户名：Tom123密码为ab123_ 1.提示用户输入用户：用户名字母和数字组成，且必须以大写开头，长度在5-10之间， 2.如果用户输入的用户名不合法，就提示用户...package Test2; import java
- C#抓取数据、正则表达式+线程池初步运用
去年底用 多线程+HtmlAgilityPack....然后写了一个抓“新浪微博”个人资料的小程序，由于用正则表达式，代码精简不少，效率也很高，顿时觉得有种挫败感啊。 于是不懂正则的我决定学习下正则，顺便学习一下线程池...
- 什么是正则化
一个很直观的详解 https://charlesliuyx.github.io/2017/10/03/%E3%80%90%E7%9B%B4%E8%A7%82%E8%AF%A6%E8%A7%A3%E3%80%91%E4%BB%80%E4%B9%88%E6%98%AF%E6%AD%A3%E5%88%99%E5%8C%96/ 以下内容转自知乎...
- 详解机器学习中的“正则化”（Regularization）
一般地，把类似平方误差（也可能有其他形式）这样的项做经验风险，把上面整个控制过拟合的这个过程叫做正则化，所以也就把r(d)叫做正则化项，然后把平方误差+r(d) 叫做结构风险，进而可知正则化过程其实就是将结构...
- 编译原理 —— 有穷自动机到正规式的转换
求解步骤 ① 改造M为M’：引进新的初态结点X、终态结点Y； ② 对M’的状态转换图实施替换，逐步消除结点，直至只剩下结点X、Y 替换规则 示例 题目：有穷自动机的状态图如下图，求该自动机识别语言的正规式。 ...
- 支持向量机通俗导论（理解SVM的三层境界）
支持向量机通俗导论（理解SVM的三层境界） 作者：July 。致谢：pluskid、白石、JerryLead。 说明：本文最初写于2012年6月，而后不断反反复复修改&优化，修改次数达上百次，最后修改于2016年11月。...
- JAVA JDBC事务提交的疑问
http://zhidao.baidu.com/question/143168603.html 百度首页 | 百度知道 | 登录 新闻 网页 贴吧 知道 MP3 图片 视频 百科 文库 帮助|设置
- 逻辑回归、优化算法和正则化的幕后细节补充
主要还是之前没有注意的一些点吧， 之前的一篇补充了线性回归与梯度下降算法的一些细节， 这篇文章主要是对逻辑回归算法模型的细节梳理，以及常用的两种优化算法， 包括梯度下降和拟牛顿法， 最后就是L1和L2正则。...
- 编程好书推荐
编程学习好书推介一、WEB应用开发人员必修功课类1、XHTML 教程（XHTML） 作者：Chelsea Valentine, Chris Minnick New Riders 原版，人民邮电出版社中文版 是的，今天你最应该学习的是 XHTML，而不是 HTML。...
- 编程学习好书推介
编程学习好书推介一、WEB应用开发人员必修功课类1、XHTML 教程（XHTML） 作者：Chelsea Valentine, Chris Minnick New Riders 原版，人民邮电出版社中文版 是的，今天你最应该学习的是 XHTML，而不是 HTML。...
- android开发技术文章荟萃【2011-10-27】
最无私的Android资料（书籍+代码）分享-不要积分（求置顶） android gps通过网络获取位置 Lumaqq移植到Android 之进阶篇 android map 请问：鼠标的响应事件 一个想法，大家讨论一下如何实现 ...
- Batch 、Batch_Size、weight decay、momentum、normalization和正则化的一些理解和借鉴
整理一下之前看过的内容，方便后面忘记时查询。 谈谈深度学习中的 Batch_Size Batch_Size（批尺寸）是机器学习中一个重要参数，涉及诸多矛盾，下面逐一展开。 首先，为什么需要有 Batch_Size 这个参数？...
- 神经网络MLP求解过程 正向传播 反向传播算法
引言 机器学习栏目记录我在学习Machine Learning过程的一些心得笔记，涵盖线性回归、逻辑回归、Softmax回归、神经网络和SVM等等，主要学习资料来自Standford Andrew Ng老师在Coursera的教程以及UFLDL Tutorial，...
- javascript立即调用的函数表达式
1. 什么是自执行的匿名函数? 它是指形如这样的函数: (function {// code})(); 2. 疑问 为什么(function {// code})();... 首先, 要清楚两者的区别: (function {// code})是表达式, function {/...
- 一文搞定卷积神经网络——从原理到应用
文章目录1. 前言2. 全连接BP神经网络的缺点3. 卷积神经网络基本单元3.1 卷积（Convolution）3.2 填充（Padding）和步长（Stride）3.3 完整的卷积过程3.4 池化（Pooling)3.5 激活函数4. 卷积神经网络的前向传播过程5....
- 长文！机器学习笔试精选 100 题【附详细解析】
点击上方“AI有道”，选择“置顶公众号”关键时刻，第一时间送达！机器学习是一门理论性和实战性都比较强的技术学科。在应聘机器学习相关工作岗位时，我们常常会遇到各种各样的机器...
- 机器学习&深度学习入门学习资料大全(一)
机器学习&深度学习入门学习资料大全(一)
- 机器学习与深度学习资料整理
《Brief History of Machine Learning》介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning.《Deep Learning in Neural Networks: An Overview...
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料
先转载下来，慢慢学习 ...《Brief History of Machine Learning》 ...介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. ...
- 机器学习与深度学习资料
机器学习与深度学习资料 机器学习 《Brief History of Machine...介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. ...介绍:这
- 深度学习和机器学习的相关资料
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. ... Learning in Neural Networks: An ...
- 【机器学习】简述多种降维算法
【转载请注明出处】chenrudan.github.io 最近看了一些关于降维算法的东西，本文首先给出了七种算法的一个信息表，归纳了关于每个算法可以调节的(超)参数、算法主要目的等等，然后介绍了降维的一些基本概念，包括...
- Unity3d 周分享（20期 2019.6.30 ）
选自过去1~2周 自己所看到外文内容：https://twitter.com/unity3d 和各种其他博客来源吧 1、Unity的Android音频延迟在2019.1.0 中改进 ... 文章作者因为这个延迟问题，弄了一个，正是基于Op...
- 详解逻辑回归（LR）计算过程
1.引言 本文主要介绍以下三个方面的内容： （1）Logistic Regression的基本原理，分布...（2）Logistic Regression的具体过程，包括：选取预测函数，求解Cost函数和J(θ)，梯度下降法求J(θ)的最小值，以及递归下...
- 【抽象代数】因子分解与域的扩展
因子分解与域的扩展 一、因子分解 我们知道，整数环中的每一个合数都可以唯一地分解成素数的乘积； 域 F 上每个次数大于零的可约多项式，都可以唯一地分解成不可约多项式的乘积。这是整数环和多项式环中元素的最基本...
- 【白话机器学习】算法理论+实战之Xgboost算法
1. 写在前面如果想从事数据挖掘或者机器学习的工作，掌握常用的机器学习算法是非常有必要的，在这简单的先捋一捋， 常见的机器学习算法：监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，...
- 机器学习之K均值(K-Means)算法
1.K-Means简介 K均值(K-Means)算法是无监督的聚类方法，实现起来比较简单，聚类效果也比较好，因此应用很广泛。K-Means算法针对不同应用场景，有不同方面的改进。我们从最传统的K-Means算法讲起，然后在此基础上...
- C语言游戏代码大全
双人贪吃蛇，别踩白方块，玫瑰花，矿井逃生等多种C语言游戏代码等你来实践！
- Parallels Desktop 16 联网启动脚本.command
Parallels Desktop 16 联网启动脚本.command 管理员运行 就能上网（Mac 虚拟机：Parallels Desktop v16.0.1-48919 TNT 直装版 支持 macos 11）