9/29-10/6待字闺中面试题练习

题目来自陈利人的微博:http://weibo.com/p/1005051915548291

2013/9/29

给定两个字符串A和B,判断A中是否包含由B中字符重新排列成的新字符串。例如:A=abcdef, B=ba,结果应该返回true。因为ba的排列ab,是A的子串。

HANDWRITING:

想法是记录B字符串的各个字符个数,然后在A中找满足各字符个数与B相同的子串,在找子串的过程中保持一个BLEN的长度检查。时间复杂度O(alen)。

bool substring (char *a, char *b) {
	int amap[256] = {0}, bmap[256] = {0}, blen = 0, alen = strlen(a), count = 0;
	while (*b != '\0') ++map[*b], ++blen;
	char *fast = a, *slow = a;
	for (int i = 0; i < alen; ++i, ++fast) {
		if (bmap[*fast] == 0) continue;
		++amap[*fast];
		++count;
	}
	while (fast != '\0') {
		if (count == blen) return true;
		if (amap[*slow]  > 0) --amap[*slow], --count;
		++fast; ++slow;
		if (bmap[*fast] > 0) ++amap[*fast], ++count; 
	}
	return false;
}

CORRECTION:

1、最直接的结果是程序跑不出结果,在计算B字符串长度时,*b指针没有后移

2、当A字符串包含的字符大于B字符串的数量时,应不计count

3、保持的是blen长度的子字符串,而非alen

4、while循环中应是*fast,一个字符

详细解释:

题意转换一下就是要在A中找到符合的子串,使得这个子串各字符个数和B的一样,例如:A=aaaabceeef, B=baac,即找到一个子串有2个a,1个b,1个f。

那么我们首先遍历B字符串,得到一个字符表bmap,其中a 2,b 1,c 0,d 0,e 0,f 1,B的长度blen为4。

接下来就是要在A中找符合的字符串,因为B的长度为4,所以初始状态为A的前4个字符aaaa,fast指向最后一个a,slow指向第一个a,这样的amap表为a 4,b 0,c 0,d 0,e 0,f 0。

这个子串中a的个数多于B,amap中计a为4个,但是我们count只计2个,这时count小于blen,不满足条件,继续后移。

slow向后移动一位,退出了一个a,amap中a的计数减少1,因为amap中的a个数大于bmap,所以这个a不能算是一个有效的count,这时count不变。fast向后移动一位,加入了一个b,这个b为一个有效的count,这时count加1,amap中b的计数也加1,变为a 3,b 1,c 0,d 0,e 0,f 0。

slow再向后移动一位,退出一个a,amap中a的计数减少1,因为amap中的a个数还是大于bmap,所以这个a不能算是一个有效的count,这时count不变。fast向后移动一位,加入了一个c,这个c为一个有效的count,这时count加1,amap中c的计数也加1,变为a 2,b 1,c 1,d 0,e 0,f 0。这时count为4,等于blen,所以返回true。

bool substring (char *a, char *b) {
	int amap[256] = {0}, bmap[256] = {0}, blen = 0, alen = strlen(a), count = 0;
	while (*b != '\0') ++bmap[*b], ++blen, ++b;
	if (blen > alen) return false;
	char *fast = a, *slow = a;
	for (int i = 0; i < blen; ++i, ++fast) {
		if (bmap[*fast] == 0) continue;
		++amap[*fast];
		if (amap[*fast] <= bmap[*fast]) ++count;
	}
	while (*fast != '\0') {
		if (count == blen) return true;
		if (amap[*slow] > bmap[*slow]) --amap[*slow];
		else if (amap[*slow]  > 0) --amap[*slow], --count;
		if (amap[*fast] >= bmap[*fast]) ++amap[*fast];
		else if (bmap[*fast] > 0) ++amap[*fast], ++count; 
		++fast; ++slow;
	}
	return false;
}



2013/9/30

从一个长字符串中查找包含给定字符集合的最短子串。例如,长串为“aaaaaaaaaacbebbbbbdddddddcccccc”,字符集为{abcd},那么最短子串是“acbebbbbbd”。

HANDWRITING:

想法是先找到一个满足条件的子串,用2个指针表示,然后右移左指针,直到不满足条件,右移右指针,直到再次满足条件,期间记录下满足条件的最短的子串,假定A中必定有符合B的子串。时间复杂度O(alen)。

char *substring (char *a, char *b, char *r) {
	int amap[256] = {0}, bmap[256] = {0}, blen = 0, alen = strlen(a), count = 0, min = alen;
	while (*b != '\0') ++bmap[*b], ++blen, ++b;
	char *fast = a, *slow = a, *pre, *next, *result = r;
	while (*fast != '\0') {
		if (count != blen) {
			if (bmap[*fast] == 0) { ++fast; continue; }
			if (amap[*fast] < bmap[*fast]) ++count;
			++amap[*fast]; ++fast;
		} else {
			if (fast - slow < min) min = fast - slow, pre = slow, next = fast;
			if (bmap[*slow] == 0) { ++slow; continue; }
			if (amap[*slow] <= bmap[*slow]) --count;
			--amap[*slow]; ++slow;
		}
	}
	for (count = 0; pre != next; ++count, ++pre) result[count] = *pre;
	result[count] = '\0';
	return r;
}

CORRECTION:
1、程序直接段错误了,没有考虑清楚边界情况。

char *substring (char *a, char *b, char *r) {
	int amap[256] = {0}, bmap[256] = {0}, blen = 0, alen = strlen(a), count = 0, min = alen;
	while (*b != '\0') ++bmap[*b], ++blen, ++b;
	char *fast = a, *slow = a, *pre = a, *result = r;
	do {
		cout<<*fast<<endl;
		if (count != blen) {
			if (bmap[*fast] == 0) { ++fast; continue; }
			if (amap[*fast] < bmap[*fast]) ++count;
			++amap[*fast]; ++fast;
		} 
		while (count == blen) {
			cout<<fast - slow<<endl;
			if (fast - slow < min) min = fast - slow, pre = slow;
			if (bmap[*slow] == 0) { ++slow; continue; }
			if (amap[*slow] <= bmap[*slow]) --count;
			--amap[*slow]; ++slow;
		}
	} while (*fast != '\0');
	for (count = 0; count < min; ++count, ++pre) result[count] = *pre;
	result[count] = '\0';
	return r;
}


2013/10/4

N个孩子站成一排,每个人分给一个权重。按照如下的规则分配糖果: 每个孩子至少有一个糖果;所分配权重较高的孩子,会比他的邻居获得更多的糖果。 问题是,最少需要多少个糖果?

HANDWRITING:

题目看不太懂,按我的理解就是N个孩子权重各不相同,分别表示为1,2,…,n,权重高的孩子比队列前后的孩子获得更多糖果。

那么将后半部分孩子依次插到前半部分孩子队列里,按1,n/2, 2, n/2+1,…,n/2-1, n 来排列,最少要3/2 N - 1个糖果。

CORRECTION:

1、权重可以相同

2、给定一个权重序列,需要计算最少的糖果数

3、序列顺序不能改变

2013/10/6

有一个链表,每一个节点除了next指针指向一下节点以外,又多出了一个指针random,指向链表中的任何一个节点,包括null。请给出方法完成链表的深拷贝。

HANDWRITING:

已经解决过了,第一次遍历在原链表节点之后复制节点,第二次遍历复制random指针,第三次遍历分离原和复制后的链表。

ComplexNode *Clone(ComplexNode *pHead) {
	ComplexNode *cur = pHead, *nHead, *ncur;
	while (cur != 0) {
		ComplexNode *tmp = new ComplexNode();
		tmp->m_nValue = cur->m_nValue;
		tmp->m_pNext = cur->m_pNext;
		cur->m_pNext = tmp;
		cur = tmp->m_pNext;
	}

	nHead = pHead->m_pNext;
	cur = pHead, ncur = nHead;
	while (cur != 0) {
		ncur->m_pSibling = cur->m_pSibling->m_pNext;
		cur = ncur->m_pNext;
		ncur = cur->m_pNext;
	}

	cur = pHead, ncur = nHead;
	while (cur != 0) {
		cur->m_pNext = cur->m_pNext->m_pNext;
		ncur->m_pNext = ncur->m_pNext->m_pNext;
		cur = cur->m_pNext;
		ncur = ncur->m_pNext;
	}
	return nHead;
}

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
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。
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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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