2017多校9 Two string hdu 6170 dp

题目链接
题目大意:给你两个字符串A B,A由大小写字母组成,B由大小写字符和 . 和 *组成现在问你AB能够匹配
其中 . 可以匹配任何字符 * 表示其前面一位的字符可以出现任意多次 可以为0次。


思路:首先来考虑dp[i][j]表示A串1-i用B串的1-j能否匹配
转移的时候就考虑B串 如果当前字符是 . 那么dp[i][j]=dp[i-1][j-1]
如果是普通字符 dp[i][j] = dp[i-1][j-1] && A[i] == B[j]
如果是 * 那么分几种情况考虑
考虑*重复0次 那么dp[i][j] = dp[i][j-2]
考虑重复1次 那么dp[i][j] = dp[i][j-1]
考虑重复多次 那么dp[i][j] = dp[i-1][j] && A[i]==A[i-1]

代码:

#include<iostream>
#include<cstdio>
#include<cmath>
#include<algorithm>
#include<string>
#include<set>
#include<map>
#include<queue>
#include<stack>
#include<cstring>
#define clr(x) memset(x,0,sizeof(x))
using namespace std;
#define LL long long
bool dp[2505][2505];
int main()
{
    int t;
    scanf("%d",&t);
    while(t--)
    {
        clr(dp);
        char s1[2505];
        char s2[2505];
        scanf("%s%s",s1,s2);
        int len1 = strlen(s1);
        int len2 = strlen(s2);
        dp[0][0] = true;
        for(int j = 1;j<len2;j++)
        {
            if(s2[j]=='*')
            {
                dp[0][j+1] = dp[0][j-1];
            }
        }
        for(int i = 0;i<len1;i++)
        {
            for(int j = 0;j<len2;j++)
            {
                int ii = i+1; // 字符串和dp数组差一位 所以加1
                int jj = j+1;
                if(s2[j]=='.')
                {
                    dp[ii][jj] = dp[ii-1][jj-1];
                }
                else if(s2[j]=='*')
                {
                    dp[ii][jj] = (dp[ii][jj-2] || (dp[ii][jj-1]) ||  (dp[ii-1][jj] && s1[i]==s1[i-1]));
                }
                else
                {
                    dp[ii][jj] = (dp[ii-1][jj-1] && s1[i]==s2[j]);
                }
            }
        }
        printf("%s\n",dp[len1][len2]?"yes":"no");
    }
    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