剑指Offer:面试题4 替换空格

#include<stdio.h>
/*剑指Offer:面试题4 替换空格*/
/*
	题目:请实现一个函数,把字符串中的每一个空格替换成“%20”
	例如:当字符串string内容为:"hello world !"时,执行完函数后
	string内容为:“hello%20world%20!”
	算法思想:
	1.用“%20”替换‘ ’后,字符串长度必然发生变化。
	因此,首先应遍历一边字符串,统计原字符串中空格的个数,从而计算出
	变换后的字符串字符个数。
	2.然后采用从后向前的方法去遍历字符串,如果是空格则替换成要替换的字符,并将其
	放进重新计算的字符串长度的数组内,如果不是空格则放入重新计算的字符串长度的数组内。
*/
void replaceBank(char string[], int length)
{
	if (string == NULL && length <= 0)
		return;
		int orignalLength = 0;
		int blankSize = 0;
		int i = 0;
		while (string[i] != '\0')
		{
			orignalLength++;
			if (string[i] == ' ')
			{
				blankSize++;
			}
			i++;
		}
		int newLength = orignalLength + blankSize * 2;
		if (newLength > length)
		{
			return;
		}

			while (orignalLength > 0 && newLength > orignalLength)
			{
				if (string[orignalLength] == ' ')
				{
					string[newLength--] = '0';
					string[newLength--] = '2';
					string[newLength--] = '%';
				}
				else
				{
					string[newLength--] =string[orignalLength];
				}
				orignalLength--;
			}

	
	
}

void main()
{
	const int length = 100;
	char string[length] = "hello world !";
	replaceBank(string, length);
	printf("%s \n",string);
}

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