Leetcode 242:有效的字母异位词

题目描述

给定两个字符串 s 和 t ,编写一个函数来判断 t 是否是 s 的字母异位词。

示例 1:

输入: s = “anagram”, t = “nagaram”
输出: true
示例 2:

输入: s = “rat”, t = “car”
输出: false
说明:
你可以假设字符串只包含小写字母。

进阶:
如果输入字符串包含 unicode 字符怎么办?你能否调整你的解法来应对这种情况?

我的解法:用map

想法是首先判断两字符串长度是否相等,然后把第一个string中出现的字母当成键存入map,对应的值为字母出现次数。然后遍历第二个string,当出现map中存在的键时对应的值减1,直到减为0,若string有字母对应map的键值为0,则返回false,如果循环执行结束一直没有返回false则返回true。代码见下:

class Solution {
public:
    bool isAnagram(string s, string t) {
        map<char, int> m;
        if(s.size() != t.size()){return false;}
        for(char c : s){++ m[c];}
        for(char c : t){
            if(m[c] > 0){-- m[c];}
            else{return false;}
        }
        return true;
    }
};

思考与收获

执行之后速度仅仅打败了一般的提交,这我不能忍啊,但是又不明白为什么都用了map了速度还这么慢。于是查看别人家的解法,发现用数组代替哈希表的话执行速度会更快,这我就不能理解了,于是查资料学习了一番之后得到了如下结论:

  1. ArrayList 有序集合 底层为数组 按下标查找快 增删慢 按元素查找、增删都慢
  2. LinkedList 有序集合 底层为链表 按下标查找慢 增删快 按元素查找慢 增删比arrayList快。
  3. HashMap 无序哈希表 底层哈希表 按元素查找快按下标查找一般比LinkedList快 增删快跟主体大小有关,越大越慢
  4. 按下标查找频繁的就是ArrayList,增删频繁的就用LinkedList
  5. HashMap是适用小数据量的快速查找、增删操作,大数量之后,由于插入和查找的内存消耗和冲突排除都会大大提高,所以大数量都不敢用hashMap。

那么,究竟多大数量算大呢,咱也不知道,反正以本题来说大小为26的话数组速度就大大超过map速度了。

以数组代替map的解法

class Solution {
public:
    bool isAnagram(string s, string t) {
        if(s.size() != t.size()){return false;}
        int m[26] = {0};
        for(char c : s){++ m[c - 'a'];}
        for(char c : t){
            if(m[c - 'a'] > 0){-- m[c - 'a'];}
            else{return false;}
        }
        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