LeetCode Letter Combinations of a Phone Number

126 篇文章 0 订阅

这题貌似简单,我却想了很久,感觉不太容易上手,要是面试时肯定不能一下子就写出来。我的思路:后面的数字每到最大长度,前面的就进位(即前面位加一,后面的位变为0)知道最前面的位到达它的长度,此时结束。

// LeetCode_LetterPhoneNumber.cpp : 定义控制台应用程序的入口点。
//
#include "stdafx.h"
#include <iostream>
#include <vector>
#include <string>
#include <map>
using namespace std;

vector<string> letterCombinations(string digits) {
	map<char,string> mp;
	mp['0']="";
	mp['1']="";
	mp['2']="abc";
	mp['3']="def";
	mp['4']="ghi";
	mp['5']="jkl";
	mp['6']="mno";
	mp['7']="pqrs";
	mp['8']="tuv";
	mp['9']="wxyz";
	string tempstr="";
	vector<string> ret;
	int lendig = digits.length();
	if (lendig==0)
	{
		ret.push_back(tempstr);
		return ret;
	}
	int *pnum = new int[lendig];
	memset(pnum,0,lendig*sizeof(int));//
	while(pnum[0]<mp[digits[0]].length())
	{
		int bit=0;
		while(bit<lendig)
		{
			tempstr += mp[digits[bit]][pnum[bit]];
			bit++;
		}
		ret.push_back(tempstr);
		tempstr.clear();
		int inbit = lendig - 1;
		pnum[inbit]++;
		while(pnum[inbit] >= mp[digits[inbit]].length())
		{
			if (pnum[0]==mp[digits[0]].length())
				break;
			pnum[inbit] = 0;
			pnum[inbit-1]++;
			inbit--;
		}
	}
	delete[] pnum;
	return ret;
}

int _tmain(int argc, _TCHAR* argv[])
{
	vector<string> vec;
	vec = letterCombinations("237");
	for (int i=0;i<vec.size();i++)
	{
		cout<<vec[i]<<" ";
	}
	system("pause");
	return 0;
}

//输入不合理时,不能输出正确的结果,之前要对输入进行过滤。可以看出,leetCode的编译器的测试用例还是比较简单的,没有对负面测试进行处理。所有测试用例都保证有效。

别人的解法,干净利落呀,望尘莫及。看都没看懂。如下:

vector<string> letterCombinations(string digits) {
        // Start typing your C/C++ solution below
        // DO NOT write int main() function
        const string letters[] = {"abc", "def", "ghi", "jkl", "mno", "pqrs", "tuv", "wxyz"};

        vector<string> ret(1, "");
        for (int i = 0; i < digits.size(); ++i) {
            for (int j = ret.size() - 1; j >= 0; --j) {
                const string &s = letters[digits[i] - '2'];
                for (int k = s.size() - 1; k >= 0; --k) {
                    if (k)
                        ret.push_back(ret[j] + s[k]);
                    else
                        ret[j] += s[k];
                }
            }
        }

        return ret;
    }
这题还有递归的做法,别人的。递归算法倒是好理解,每次选一个当前数字对应的字母,下次选择下一个数字对应的字母,当选择数量达到给定数字串长度时作为一个结果加入到结果集里。如下:

void letterCombinations_aux(int step, string& path, vector<string>& ans, const string& digits)  
{  
	//pay attention to this kind of statement  
	const static string strT[10] = {"","","abc","def","ghi","jkl","mno","qprs","tuv","wxyz"};  
	if(step == digits.size())  
	{  
		ans.push_back(path);  
		return;  
	}  
	for(int i = 0; i < strT[digits[step]-'0'].size(); ++i)  
	{  
		path.push_back(strT[digits[step]-'0'][i]);  
		letterCombinations_aux(step+1, path, ans, digits);  
		path.pop_back();  
	}  
}  
vector<string> letterCombinations(string digits) {  
	// Start typing your C/C++ solution below  
	// DO NOT write int main() function  
	string path;  
	vector<string> ans;  
	int step = 0;  
	letterCombinations_aux(step, path, ans, digits);  
	return ans;  
} 



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