93. Restore IP Addresses(unsolved)

Given a string containing only digits, restore it by returning all possible valid IP address combinations.

For example:
Given “25525511135”,

return [“255.255.11.135”, “255.255.111.35”]. (Order does not matter)

这道题要求是复原IP地址,IP地址对我们并不陌生,就算我们不是学CS的,只要我们是广大网友之一,就应该对其并不陌生。IP地址由32位二进制数组成,为便于使用,常以XXX.XXX.XXX.XXX形式表现,每组XXX代表小于或等于255的10进制数。所以说IP地址总共有四段,每一段可能有一位,两位或者三位,范围是[0, 255],题目明确指出输入字符串只含有数字,所以当某段是三位时,我们要判断其是否越界(>255),还有一点很重要的是,当只有一位时,0可以成某一段,如果有两位或三位时,像 00, 01, 001, 011, 000等都是不合法的,所以我们还是需要有一个判定函数来判断某个字符串是否合法。这道题其实也可以看做是字符串的分段问题,在输入字符串中加入三个点,将字符串分为四段,每一段必须合法,求所有可能的情况。根据目前刷了这么多题,得出了两个经验,

一是只要遇到字符串的子序列或配准问题首先考虑动态规划DP,二是只要遇到需要求出所有可能情况首先考虑用递归。

这道题并非是求字符串的子序列或配准问题,更符合第二种情况,所以我们要用递归来解。我们用k来表示当前还需要分的段数,如果k = 0,则表示三个点已经加入完成,四段已经形成,若这时字符串刚好为空,则将当前分好的结果保存。若k != 0, 则对于每一段,我们分别用一位,两位,三位来尝试,分别判断其合不合法,如果合法,则调用递归继续分剩下的字符串,最终和求出所有合法组合,代码如下:

class Solution {
public:
    vector<string> restoreIpAddresses(string s) {
        vector<string> res;
        restore(s, 4, "", res);
        return res;
    }
    void restore(string s, int k, string out, vector<string> &res) {
        if (k == 0) {
            if (s.empty()) res.push_back(out);
        }
        else {
            for (int i = 1; i <= 3; ++i) {
                if (s.size() >= i && isValid(s.substr(0, i))) {
                    if (k == 1) restore(s.substr(i), k - 1, out + s.substr(0, i), res);
                    else restore(s.substr(i), k - 1, out + s.substr(0, i) + ".", res);
                }
            }
        }
    }
    bool isValid(string s) {
        if (s.empty() || s.size() > 3 || (s.size() > 1 && s[0] == '0')) return false;
        int res = atoi(s.c_str());
        return res <= 255 && res >= 0;
    }
};
`saver.restore` 是 TensorFlow 中用于从保存的模型检查点恢复变量的一种方法。它允许你在训练过程中定期保存模型的状态(即参数权重),以便于在训练中断时恢复进度或在完成训练后重新加载这些状态来部署模型。 ### 示例: 假设你有一个模型 `model` 并已经通过 `saver.save(sess, "path/to/model")` 存储了模型的状态。当你希望从这个检查点恢复模型以继续训练或部署模型时,你可以执行以下操作: ```python # 导入必要的库 import tensorflow as tf # 假设 sess 是当前会话 sess = ... # 创建一个 Saver 对象 saver = tf.train.Saver() # 指定你想恢复的检查点路径 checkpoint_path = "path/to/model" # 使用 saver.restore 函数恢复模型 saver.restore(sess, checkpoint_path) # 现在 sess 可以访问并使用恢复后的模型变量 ``` ### 注意事项: 1. **兼容性**:确保从保存的检查点恢复模型时使用的图结构与原始保存时相同。如果模型架构更改过,恢复可能会失败或导致不一致的结果。 2. **资源管理**:`Saver` 应妥善管理和使用,避免不必要的内存占用。合理地配置 `tf.train.MonitoredSession` 或使用 `with tf.Session()` 来自动管理会话生命周期。 3. **持久化**:在每个训练周期结束后保存模型可以防止意外停止时丢失进展。使用适当的日志记录或监控工具来跟踪训练过程,确保在必要时能够准确恢复。 ---
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