[leetcode] 241.Different Ways to Add Parentheses

题目:
Given a string of numbers and operators, return all possible results from computing all the different possible ways to group numbers and operators. The valid operators are +, - and *.

Example 1
Input: “2-1-1”.

((2-1)-1) = 0
(2-(1-1)) = 2
Output: [0, 2]

Example 2
Input: “2*3-4*5”

(2*(3-(4*5))) = -34
((2*3)-(4*5)) = -14
((2*(3-4))*5) = -10
(2*((3-4)*5)) = -10
(((2*3)-4)*5) = 10
Output: [-34, -14, -10, -10, 10]
题意:
给定一个字符串代表四则运算表达式,包含数字以及”+”,”-“,”*”。加入适当的括号,从而得出所有的结果值。
思路:
这道题目其实就是采用回溯的方法,以四则运算表达式中的每个运算符作为划分。左边的一部分的运算结果,与右边的运算结果就可以分别求出。然后将m*n种组合结果加到最终的结果值中即可。比如上面的式子中,2*3-4*5,当以中间的减号作为划分的时候,前面一部分就是去计算2*3,后面一部分就是去计算4*5.再比如以第一个* 作为划分的时候,前面一部分就是2;后面一部分是计算3-4*5,这个子表达式又可以以”-“或者”*”进行划分,得到-17以及-5。将前面一部分的结果2与后面那部分的结果-17,-5分别求出乘的结果。
以上。
代码如下:

class Solution {
public:
    vector<int> diffWaysToCompute(string input) {
        vector<int> result;
        if (input.empty())return result;
        int num = 0;
        if (isInt(input, num)) {
            result.push_back(num);
            return result;
        }
        for (int i = 0; i < input.size(); i++) {
            if (input[i] < '0' || input[i] > '9') {
                vector<int> temp1 = diffWaysToCompute(input.substr(0, i));
                vector<int> temp2 = diffWaysToCompute(input.substr(i + 1));
                if (!temp1.empty() && !temp2.empty()) {
                    for (auto t1 : temp1)
                    for (auto t2 : temp2) {
                        switch (input[i]) {
                        case '+':
                            result.push_back(t1 + t2);
                            break;
                        case '-':
                            result.push_back(t1 - t2);
                            break;
                        case '*':
                            result.push_back(t1 * t2);
                            break;
                        }
                    }
                }
            }
        }
        return result;
    }

    bool isInt(string input, int &num) {
        num = 0;
        for (auto i : input) {
            if (i < '0' || i > '9')return false;
            num *= 10;
            num += (i - '0');
        }
        return true;
    }
};
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