剑指offer——普通二叉树的子结构

1.题目描述

  输入两棵二叉树A,B,判断B是不是A的子结构。(ps:我们约定空树不是任意一个树的子结构)

2.解题思路

  首先要进行程序的鲁棒性分析:
1. 如果B为空树,那么判断结果为false,因为空树不是任意一棵树的子结构;
2. 如果A为空树,那么判断结果也为false。
  如此分析以后,只需对A与B均不是空树的情况进行分析。分析思路如下:
1)判断当前A节点和B树的根节点是否相等
2)如果当前节点相等,那么继续对二者当前节点的左右子树进行判断。如果左右子树不等,那么就不是子结构。
3)如果步骤1)中二者当前节点不等,那么则在A中选择左子树作为新的根节点进行步骤1)。
4)如果在左子树中未能判定为子结构,那么则挑选A的右孩子作为新的根节点进行判断。

3.解答——cpp

/*
struct TreeNode {
    int val;
    struct TreeNode *left;
    struct TreeNode *right;
    TreeNode(int x) :
            val(x), left(NULL), right(NULL) {
    }
};*/
class Solution {
public:
    // help
    bool IsSubtree(TreeNode* pRoot1, TreeNode* pRoot2)
    {
        if (pRoot2 == nullptr){
            return true;
        }
        if (pRoot1 == nullptr && pRoot2 != nullptr){
            return false;
        }
        if (pRoot1->val != pRoot2->val){
            return false;
        }
        return (IsSubtree(pRoot1->left,pRoot2->left) && IsSubtree(pRoot1->right,pRoot2->right));

    }

    // Original and Robuness
    bool HasSubtree(TreeNode* pRoot1, TreeNode* pRoot2)
    {
        bool result = false;
        // 空树不是任意一个树的子结构,即B为空树时直接返回false
        if (pRoot2 == nullptr)
            return false;
        // 当A为空树且B非空时,B不是A的子结构
        if (pRoot1 == nullptr && pRoot2 != nullptr)
            return false;
        // 当A、B都不是空树时
        // 调用IsSubtree判定B是不是A的子结构
        // 如果当前指向的节点相等,则调用Is继续判断
        if (pRoot1->val == pRoot2->val){
            result = IsSubtree(pRoot1,pRoot2);
        }
        // 如果当前节点判定失败,则将当前节点的左子树作为新的根节点重新判断
        if (!result){
            result = HasSubtree(pRoot1->left,pRoot2);
        }
        // 如果左子树判定也失败,则选择右子树判定
        if (!result){
            result = HasSubtree(pRoot1->right,pRoot2);
        }
        // 返回最终结果
        return result;
    }
};
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值