【 日常 】 初敲二叉堆 17年4月04日20:25 [ 5 ]

/* 前言: 好多天前准备记录下自己的坎坷修仙的点滴,以后希望能留下【珍贵的回忆】,萌新的日常代码,大佬互喷*/

代码写的比较繁琐,多多见谅,萌新每天都在努力改变自己

堆的检索输出要用队列为了省事我直接看内存的位置了,没有写队列输出  QaQ

# include <stdio.h>
# include <malloc.h>
# include <stdlib.h>
struct HeapStruct
{
	int Capacity;//容量
	int CurrentSize;//当前长度
	int *pElements;//数据域
};
HeapStruct* InitLisze(int);//初始化长度
HeapStruct* DestroyHeap(HeapStruct*);
void MakeEmptyHeap(HeapStruct*);
void InsertHeap(int, HeapStruct*);
int DeleteMin(HeapStruct*);
bool HeapIsEmpty(HeapStruct*);
bool HeapIsFull(HeapStruct*);
void trvalHeap(HeapStruct*);
int main(void)
{
	HeapStruct*pHeap=InitLisze(20);
	InsertHeap(2, pHeap);
	InsertHeap(3, pHeap);
	InsertHeap(-2, pHeap);
	InsertHeap(-13, pHeap);
	InsertHeap(-22, pHeap);
	InsertHeap(16, pHeap);
	InsertHeap(42, pHeap);
	InsertHeap(33, pHeap);
	InsertHeap(12, pHeap);
	printf("\n");
	trvalHeap(pHeap);
	DeleteMin(pHeap);//删除最小堆元素
	trvalHeap(pHeap);//检索
	system("pause");
	return 0;
}
HeapStruct* InitLisze(int MaxInitSize)//初始化长度
{
	HeapStruct*pHeap = (HeapStruct*)malloc(sizeof(HeapStruct));
	if (!pHeap)
	{
		printf("\nERROR:Out of Space !!\n");
		exit(-1);
	}
	pHeap->Capacity = MaxInitSize;
	pHeap->CurrentSize = 0;
	pHeap->pElements = NULL;
	pHeap->pElements = (int*)malloc(sizeof(int)*(MaxInitSize + 1));//多一个是给哨兵 sentinel 
	if (!pHeap->pElements)
	{
		printf("\nERROR:Out of Space!!\n");
		exit(-1);
	}
	return pHeap;
}
HeapStruct* DestroyHeap(HeapStruct*pHeap)
{
	if (!pHeap)
		return NULL;
	free(pHeap->pElements);
	free(pHeap);
	return  (pHeap = NULL);
}
void MakeEmptyHeap(HeapStruct*pHeap)
{
	if (!pHeap)
		return;
	pHeap->CurrentSize = 0;
}
void InsertHeap(int InsetNum, HeapStruct*pHeap)
{
	if (!pHeap)
		return;
	if ((pHeap->CurrentSize + 1) <= pHeap->Capacity)//当前长度+1小于容量
	{
		int CurrentPosition = ++(pHeap->CurrentSize);//当前位置为当前长度+1(当前长度+1)
		int pFather = CurrentPosition / 2;
		while (pFather > 0)//该值有父亲开始渗透
		{
				if (pHeap->pElements[pFather] < InsetNum)//父亲<当前值,渗透结束	
					break;
				else
				{	
					pHeap->pElements[CurrentPosition] = pHeap->pElements[pFather];//否则下渗父亲
					CurrentPosition = pFather;//父亲位成为当前位
					pFather = CurrentPosition / 2;//找出当前位的父亲
				}
		}//while
		pHeap->pElements[CurrentPosition] = InsetNum;//将值插入
	}
	else
		printf("\nERROR:The Heap is Full ,Out of Space \n");
	return;
}
int DeleteMin(HeapStruct*pHeap)
{
	if (!pHeap)
		return 999;
	int DeleteNum = pHeap->pElements[1];
	int CurrentPosition = 1;//从一开始下渗
	int LastPositionNum = pHeap->pElements[pHeap->CurrentSize--];//取最后的数并自减
	int Child = 2 * CurrentPosition;
	while (Child <= pHeap->CurrentSize)//孩子在长度范围内那么父定在
	{
		if ((Child!=pHeap->CurrentSize)&&(pHeap->pElements[Child] > pHeap->pElements[Child + 1]))
				Child++;														
		pHeap->pElements[CurrentPosition] = pHeap->pElements[Child];//将当前孩子位的值放进首位
		CurrentPosition = Child;//当前位置就是Child位
		Child = CurrentPosition * 2;//找出当前位置的Child(必定是左)
	}
	pHeap->pElements[CurrentPosition] = LastPositionNum;
	return DeleteNum;//将删除值返回
}


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