hdu 1251 统计难题(trie树)

这两天学了下字典树~

参考连接:

http://www.cnblogs.com/cherish_yimi/archive/2009/10/12/1581666.html

http://www.wutianqi.com/?p=1359

以及hdu的lcy老师的课件。

hdoj的1251求前缀字符串的个数,模版水过,参照dd牛模版



#include<stdio.h>//algo:trie tree
#include<string.h>
#include<stdlib.h>
#define MAX 26
typedef struct Trie{
	Trie *next[MAX];
	int flag;
}Trie;
Trie root;
void createTrie(char *str)
{
	int len=strlen(str);
	Trie *p=&root,*q;
	for(int i=0;i<len;i++)
	{
		int id=str[i]-'a';
		if(p->next[id]==NULL)
		{
			q=(Trie *)malloc(sizeof(Trie));
			q->flag=1;//init
			for(int j=0;j<MAX;j++)
				q->next[j]=NULL;
			p->next[id]=q;
			p=p->next[id];
		}
		else 
		{
			p->next[id]->flag++;
			p=p->next[id];
		}
	}
}
int findTrie(char *str)
{
	int len=strlen(str);
	Trie *p=&root;
	for(int i=0;i<len;i++)
	{
		int id=str[i]-'a';//根据需要减去0,或者‘a’或者'A'
		p=p->next[id];
		if(p==NULL)//若为空集,表示不存在以此为前缀的串
			return 0;
	}
	return p->flag;// 此串是字符集中某串的前缀
}
int dealTrie(Trie* T)//释放空间
{
	int i;
	if(T==NULL)	return 0;
	for(i=0;i<MAX;i++)
	{
		if(T->next[i]!=NULL)
			dealTrie(T->next[i]);
	}
	free(T);
	return 0;
}
int main()
{
	char str[15];
	while(gets(str))
	{
		if(str[0]=='\0') break;
		createTrie(str);
	}
	char aim[15];
	while(~scanf("%s",aim))
	{
		int ans=findTrie(aim);
		printf("%d\n",ans);

	}
	//dealTrie(&root);
	return 0;
}


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