最长公共子序列(LCS)

递归实现

int lcs(char *T, char *P, int n, int m)
{
    if (n < 1 || m < 1)
        return 0;
    else if (T[n] == T[m])
        return lcs(T, P, n - 1, m - 1) + 1;
    else
    {
        int left = lcs(T, P, n - 1, m);
        int right = lcs(T, P, n, m - 1);
        return left>right ? left : right;
    }       

}

动态规划(迭代版)

通过牺牲内存换取速度

// 返回长度值
int lcs2(char *T, char *P, int n, int m){
    n++, m++;
    int *array=new int[n*m]
    for(int i=0;i<n;i++){
        array[i*m]= 0;
    }
    for(int i=1;i<m;i++){
        array[i]= 0;
    }
    for(int i=1; i<n-1;i++){
        for(int j=1; j< m-1; j++){
            if(T[i] == P[j]){
                array[i*m+j] = array[(i-1)*m+j-1] + 1;
            }
            else{
                int left = array[i*m+j-1];
                int top = array[(i-1)*m+j];
                array[i*m+j]=left > top? left:top;
            }
        }
    }
    int result = array[m*n-1];
    char *output = new char[result];
    //回溯输出子序列
    backtrack(T, array, n, m, output, result);
    //此处输出LCS的一种可能的结果
    printf("%s", output);
    delete[] output ;
    delete[] array;
    return result ;
}

回溯输出最长的公共子序列

void backtrack(char *T, int *array, int n, int m, char *output, int lcs_len){
    for (int i = n - 1, j = m - 1; i>0 && j>0;){
        if (array[i*m + j] == array[i*m + j -1]){
            j--;
        }
        else if (array[i*m + j] == array[(i - 1)*m + j])
            i--;
        else{
            output[--lcs_len] = T[i - 1];
            i--, j--;
        }

    }
}

动态规划(节省内存版本)

如果只需要输出LCS的长度,不需要输出LCS可能的值,可以用空间压缩的方法将额外的空间减少为O{min(M,N)}

int lcs3(char * T, char *P, int n, int m)
{
    n++;
    int *listT = new int[n];//初始化一个列表
    int *listP = new int[m*2];
    for (int i = 0; i < n; i++)
    {
        listT[i] = 0;
    }
    for (int j = 0; j < m; j++)
    {
        listP[j] = 0;
    }
    int flag1 = 1;
    int flag2 = 0;
    for (int i = 0; i < n-1; i++){
        for (int j = 0; j < m; j++){
            if (T[i] == P[j]){
                listP[flag1*m + j] = (j == 0 ? listT[i] + 1 : listP[flag2*m + j - 1] + 1);
            }   
            else{
                int left = j == 0 ? listT[i+1] : listP[flag1*m + j - 1];
                listP[flag1*m + j] = left > listP[flag2*m + j] ? left : listP[flag2*m + j];
            }

        }
        flag1 = flag2;
        flag2 = -flag2 + 1;
    }
    int rerult = listP[flag2*m + m - 1];
    delete[] listT;
    delete[] listP;
    return rerult;

}
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