每日一题--单词拆分

这道题乍看之下很简单,依旧是回溯法,但是实际运行时回溯法的复杂度为O(!n),所以我们要进行一些改变。

我们观察到在运行时我们要反复检查一些子串是否可拆分,这些查询中有一大部分是重复的,所以我们可以建立一个查询缓存,让查过的子串不必重复查询:

class Solution:
    def wordBreak(self, s: str, wordDict: List[str]) -> bool:
        import functools
        @functools.lru_cache(None)
        def back(s):
            if len(s) == 0:
                return True
            res = False
            for i in range(1,len(s)+1):
                if s[0:i] in wordDict:
                    res = back(s[i:]) or res
            return res
        return back(s)

还有就是对于新的函数缓存装饰器的学习 。

动态规划解法:


class Solution:
    def wordBreak(self, s: str, wordDict: List[str]) -> bool:

        query = [False]*(len(s)+1)
        query[0] = True
        for i in range(0,len(s)):
            for j in range(i+1,len(s)+1):
                if query[i] and (s[i:j] in wordDict):
                    query[j] = True
        return query[-1]

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
### 回答1: pta7-5是一个任务,要求对一系列英文单词进行排序。在进行单词排序时,我们可以按照字母顺序进行排序,这样可以更直观地呈现出单词的顺序。首先,我们需要将所有的英文单词按照字母顺序进行排列,可以使用字母表作为排序的参考。其次,对于开头相同的单词,我们可以再根据第二个字母的顺序进行排序。依此类推,对于更多字母相同的单词,我们可以按照第三个、第四个字母以此类推进行排序。最后,将排序后的单词逐一列出,即可完成pta7-5任务。在实际操作时,我们可以使用计算机编程语言中的排序算法来完成这个任务,如使用Python语言中的sorted()函数。通过这个函数,我们可以很方便地对一批英文单词进行排序,并输出排序后的结果。完成排序后,你将得到一系列按照字母顺序排列的英文单词列表,如["apple","banana","cat","dog","elephant"]。这样的排序结果对于后续的数据分析和处理工作非常有用,也能更好地展示出单词之间的关系和规律。总之,pta7-5的任务要求我们对英文单词进行排序,通过使用排序算法和计算机编程语言,我们可以高效地完成这个任务。 ### 回答2: pta7-5是一个英文单词排序题目。要求将一串英文单词按字母顺序进行排序。 首先,我们需要将这些单词拆分成一个个独立的单词。然后,我们可以使用任何一种有效的排序算法来对这些单词按字母顺序进行排序。 一种常用的排序算法是冒泡排序。冒泡排序的基本思想是依次比较相邻的两个元素,如果它们的顺序不对就交换它们的位置,直到整个序列都有序为止。 假设给定的一串英文单词为:apple, banana, orange, cat, dog 按照冒泡排序的步骤,首先比较相邻的两个单词,如果顺序不对就交换它们的位置: apple, banana, orange, cat, dog (原始顺序) banana, apple, orange, cat, dog (比较apple和banana,发现顺序不对,交换位置) banana, apple, orange, cat, dog (比较banana和orange,顺序正确,不交换位置) banana, apple, orange, cat, dog (比较orange和cat,顺序正确,不交换位置) banana, apple, cat, orange, dog (比较cat和dog,发现顺序不对,交换位置) 第一次排序完成后,最大的单词dog会出现在最后的位置。 按照同样的步骤,再次进行排序: banana, apple, cat, orange, dog (比较banana和apple,顺序正确,不交换位置) banana, apple, cat, orange, dog (比较apple和cat,顺序正确,不交换位置) banana, apple, cat, orange, dog (比较cat和orange,顺序正确,不交换位置) banana, apple, cat, dog, orange (比较orange和dog,发现顺序不对,交换位置) 再次排序完成后,第二大的单词orange会出现在倒数第二的位置。 按照同样的步骤,继续进行排序: banana, apple, cat, dog, orange (比较banana和apple,顺序正确,不交换位置) banana, apple, cat, dog, orange (比较apple和cat,顺序正确,不交换位置) banana, apple, cat, dog, orange (比较cat和dog,顺序正确,不交换位置) banana, apple, cat, dog, orange (比较dog和orange,顺序正确,不交换位置) 最后一次排序完成后,剩下的单词已经按照字母顺序进行排序。 最终的排序结果为:apple, banana, cat, dog, orange。
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