心智的活動，除了盡力產生各種簡單的認知之外，主要表現為如下三個方面：
(1)將若干簡單認知組合為一個複合的認識，由此產出各種複雜的認知。
(2)將兩個認知放在一起對照，不管他們如何簡單或者複雜，在這樣做時，並不能將他們合而為一。由此得到有關他們的相互關係的認知。
(3)將有關認識與那些在實際中和它們同在的所有其他認識隔離開，這就是抽象。所有普遍的認識都是這樣得到的。
--John Locke 有關人類理解的隨筆，1960
本文為SICP的一些筆記，用於記錄一些對計算機程式不同的看法，旨在通過數學計算的思路入門程式設計。SCIP是一本關於計算過程的書，計算過程關心資料的操作，建立程式的目的也是為了資料的處理，表現在程式碼中便是符號表示式的精心編排，計算過程精密而準確地執行相應程式，初學程式設計的人們就像巫師的徒弟們，學習如何理解和預測咒語的效果，學習並驗證結果，不過，學習程式的危險性遠遠小於巫術。SICP中所有的程式碼實踐為scheme(scheme為Lisp的某個版本，Lisp仍是AI領域中擁有理論上最高演算能力的語言)，執行過程為直譯器的程式碼互動過程，依據同樣的直譯器執行程式原理，也可以用python實現書上的練習題。
程式設計的基本元素
每一種程式語言都有三種機制：
- 基本的表達形式
- 組合的方法
- 抽象的方法
基本表示式為程式語言所關心的最簡單的個體，而組合的方法即組合這些簡單的個體成為複雜的元素。再將複雜的元素進行抽象，便可得到一個單元，單元也可以作為一個簡單的個體繼續組合，層層遞進便組成了完整的程式，這也是為什麼許多書中一定會提到遞迴。
在程式中，有兩類基本要素：過程和資料，資料為使用者希望操作的“東西”，而過程就是有關操作這些規則的描述，任何強有力程式設計語言必須表述基本的資料和基本過程，還需提供對過程和資料進行組合和抽象的方法。從今天程式設計的角度來看，就是使用物件導向程式設計中的類--屬性和方法的約定。
表示式
最簡單的程式入門，觀看程式碼與直譯器互動，假設鍵盤輸入了一個表示式，直譯器將表示式的求值結果顯示出來，最基本的表示式就是數，例如，給一個數486:
mt@mt-P243:~$ python
Python 2.7.17 (default)
[GCC 7.5.0] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> 486
486
將表示數的表示式組合起來，形成複合表示式
Python 2.7.17 (default)
[GCC 7.5.0] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> 1000-7
993
>>> 993-7
986
>>> (3*((2*4)+(3+5)))+((10-7)+6)
57
對於複雜的算術式，解釋其也按照基本迴圈進行操作，讀入-求值-列印
命名和環境
通過給資料命名，通過使用名字進行運算，將名稱識別符號稱為變數，將資料存到變數中。解決好命名問題，程式就完成一大半，最基本的表示式為變數賦值,此時資料到變數的過程也是一種抽象：
>>> size = 2
>>> size
2
組合
評估組合的過程有兩步：
- 評估子過程
- 將表示式的值應用到新的過程
例如：
>>> (3*((2*4)+(3+5)))
可用樹結構
過程的組合
- 數字和算術運算是原始資料和過程。
- 組合巢狀提供了一種組合操作的方法。
- 將名稱與值相關聯的定義提供了有限的限制抽象手段
a = (3*((2*4)+(3+5)))+((10-7)+6)
例項：採用牛頓法求平方根
計算步驟：
| 步驟1 | 猜測 | 商 | 平均值 |
|---|---|---|---|
| (1) | 1 | 2/1=2 | (2+1)/2=1.5 |
| (2) | 1.5 | 2/1.5 = 1.333 | (1.333+1.5)/2=1.4165 |
| (3) | 1.4165 | 2/1.4165 = 1.412 | (1.4165+1.412)/2=1.41425 |
| (4) | 1.41425 | 2/1.41425 = 1.4142 | (1.41425+1.4142)/2=1.414225 |
如果不限制條件，計算將一直進行下去，所以為了設計程式來計算平方根考慮計算步驟
1)先猜值
2)計算商
3)計算平均值作為下一輪的猜值
如果不加停止條件，那麼將會一直計算下去，觀察計算結果可以發現猜測值、商還有平均值越來越接近，如果約定一個誤差範圍，就可作為計算的停止條件(good_enough)。
1)猜值的終止條件
def square(x):
return x*x
def good_enough(guess,x):
if abs(square(guess)-square(x))<0.001:
return True
else:
return False
2)和3)計算平均，作為下一輪猜值的起始，如果結果很好，立即結束，否則繼續猜，迭代過程可寫為
def improve_guess(guess,x):
return (x/guess + guess)/2
def sqrt_iter(guess,x):
print(guess,x)
if good_enough(guess,improve_guess(guess,x)):
print('guess:'+str(guess))
return guess
else:
return sqrt_iter(improve_guess(guess,x),x)
程式可寫為
def sqrt(x):
return sqrt_iter(1.0,x)
程式分解[原問題到子問題的分解]：
「使用許多基本的算術操作，對操作進行組合，通過定義各種複合過程，然後對複合過程進行抽象」
線性迭代和遞迴
考慮階乘
與牛頓法求平方根一樣的思路，為了計算第n次迭代，需要考慮n-1次的結果，階乘可寫為
那麼就知道兩種情況的編碼思路：
- 第1次 n為1
2)第n次 到 (n-1) 的迭代
def factorial1(n):
if n==1:
return 1
else:
return n* factorial(n-1)
用另一種觀點看待問題，1*2然後將結果 *3，再次 *4，直到 n，那麼利用一個計數器counter 即可寫成如下迭代：
def fact_iter(product, counter, max_count):
if counter>max_count:
return product
else:
return fact_iter(counter*product, counter+1, max_count)
def factorial2(n):
return fact_iter(1,1,n)
factorial1採用了先展開後計算的思路，而factorial2採用了先計算後展開的思路，factorial1稱為遞迴計算過程(表示式越寫越長)，而factorial2計算過程中表示式未發生改變，factorial2多了一個變數用於儲存中間的結果，這種迭代過程有時也和計算理論中提到的狀態變數類似，計算過程即狀態轉換的過程，同時還有一個(可能有)的停機過程。
最大公約數
兩個整數的最大公約數(GCD)定義為能除盡這兩個數的最大整數，演算法基於以下觀察：如果r是a除以b的餘數，那麼a和b的公約數正好是b和r的公約數：
此時，一個GCD的計算問題連續地歸約到越來越小的整數對，例如
def remainder(a,b):
return a%b
def gcd(a,b):
if b==0:
return a
else:
return gcd(b, remainder(a,b))
用高階函式做抽象
上述的過程也就是一類抽象，描述了一些對於數的符合操作，但是同時又不依賴於特定的數--將數作為引數傳入函式。人們對功能強大的程式設計語言有一個必然要求，就是能為公共模式命名，建立抽象，而後直接在抽象的層次上工作。
過程作為引數，
(1)計算從a到b的各個整數之和：
def sum_integers(a,b):
if a > b:
return 0
else:
return a + sum_integers(a+1,b)
(2)計算從a到b的各個整數立方和：
def sum_cubes(a,b):
if a > b:
return 0
else:
return cube(a) + sum_cubes(a+1,b)
(3)計算下面的序列之和：
def pi_sum(a,b):
if a > b:
return 0
else:
return 1/(a*(a+2)) + pi_sum(a+4,b)
明顯看出，三個過程共享著一種公共的基礎模式：從a算出需要加的項的函式，還有用於提供下一個a值的函式，可以通過一個模板描述
def sum_term(term, a, next, b):
if a>b:
return 0
else:
return term(a)+sum_term(term, next(a), next, b)
而計算立方和時，term(a)為cube(a),next(a)為下一項，根據這個過程，可以改寫上述(1)~(3)的例子
def inc(n):
return n+1
def cube(a):
return a*a*a
def sum_cubes(a,b):
return sum_term(cube,a,inc,b)
有了上面這個模板sum_term，將其作為基本單元，可以形式化其他概念，例如在a和b之間計算定積分的近似值
其中dx是一個很小的值，可以將公式轉化為
def integral(f, a, b, dx):
def add_dx(x):
return x + dx
return sum_term(f, a+dx/2, add_dx, b)*dx
用lambda構造過程
在原先寫的pi_sum函式式，返回了“其輸入值加4的過程”和“其輸入值加2的乘積倒數的過程”，這個過程可以使用輔助函式，也可以使用lambda表示式，python中的labmda表示式格式為 lambda <表示式的返回值>: 表示式
lambda x:x+4
lambda x: 1/(x*(x+4))
為了實現和原來pi_sum的過程，可以使用lambda表示式和模板sum_term實現一樣的功能
def pi_sum(a,b):
return sum_term(lambda x: 1.0 / (x * (x + 2)),a,
lambda x: x+4,b)
尋找函式的不動點
函式呼叫函式的過程，類似於數學上定義的複合函式的概念，如果f(x)=x無限套娃，可以找到一個不動點：
例如黃金分割率就是下面函式的不動點
利用程式計算過程如下：
tolerance = 0.00001
def fixed_point(f, first_guess):
def close_enough(v1,v2):
return True if abs(v1-v2)<tolerance else False
def try_guess(guess):
next_guess = f(guess)
if close_enough(next_guess,guess):
return next_guess
else:
return try_guess(next_guess)
return try_guess(first_guess)
print(fixed_point(lambda x:1+1/x, 1))