![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
算法
abc8350712
这个作者很懒,什么都没留下…
展开
-
高矮排列问题
问题描述: 12个高矮不同的人,排成两排,每排必须是从矮到高排列,而且第二排比对应的第一排的人高,问排列方式有多少种?#include <iostream>#include <vector>#include <cstring>using namespace std;int coun;void twoSeries(int n,int rLim,vector<int> people){原创 2016-02-25 15:38:30 · 1661 阅读 · 0 评论 -
运算
//// Created by moon on 9/7/17.//#include using namespace std;class Date{private: int Day,Month,Year;public: Date(int InputDay,int InputMonth,int InputYear):Day(InputDay),Month(InputMo原创 2017-09-08 22:32:56 · 165 阅读 · 0 评论 -
Word Ladder
这题主要是换个思路会简单很多。不用BFS而用DFSclass Solution(object): def ladderLength(self, beginWord, endWord, wordList): wordList.add(endWord) queue = collections.deque([[beginWord, 1]]) whil原创 2017-08-07 09:31:14 · 190 阅读 · 0 评论 -
FAST-RCNN 和 Faster-RCNN
上面是Fast-RCNN的基本流程输入有两部分:1)原图。2)Selective Search Fast-RCNN相比RCNN的优点就在于,只经过一次的前向传播,共享Feature Map,大大加快了速度。 对于各个Region Proposal,我的理解是,从Feature Map里找到相应的区域,再把该输入值投放到ROI Pooling当中,生成一样大小的Feature Vector。最后利原创 2017-08-10 23:16:22 · 495 阅读 · 0 评论 -
剑指offer 01 二维数组中的查找
最关键的是要重右上角开始比较!class Solution {public: bool Find(int target, vector<vector<int> > array) { int a = 0; int b = array.size()-1; while(b>=0&&a<array[0].size()){ i原创 2017-07-11 11:48:21 · 154 阅读 · 0 评论 -
深度学习细节备忘录
SPP-net:输入整张图片,特征从共享feature map上提取,所以大大加快了速度原创 2017-02-26 17:14:21 · 340 阅读 · 0 评论 -
极小极大值方法以及alpha-Beta剪枝
极小值极大值的适用条件:零和,完全信息 假设有两个人在对弈,分别为Max和Min 所谓的极大极小,即Max要极大化自己的分数,而Min则要极小化Max的分数(注意棋局的分数是相对于Max而言) 如下是极大极小的自下而上的推导过程 蓝色线Min选择的分支,红色线为蓝色线选择的分支。上图得到的最终结果为Max应在0层选择右分支,得到的最低结果为-7但是该方法存在一些无须访问的节点,因此引入剪原创 2017-02-26 17:12:43 · 2730 阅读 · 0 评论 -
[LeetCode]87.Scramble String
下面是Scramble Stringr的代码class Solution(object): def isScramble(self, s1, s2): """ :type s1: str :type s2: str :rtype: bool """ if(s1==s2):原创 2017-02-21 11:06:16 · 213 阅读 · 0 评论 -
Largest Rectangle
数组里最后加了一个零,所以下标为0-N.从1-N开始遍历,如果数值大,则为了求递增数组,如果数值小,则开始返回遍历求最大值 例如取1-N的某个中间值i,如果大的话,那么就不做计算直接往后,如果遇到小值的话,那么就计算前面递增序列的最大值,再往后遍历的话,MAX的最大值取决于I值最小(木桶原理)。(大概就是这种思想)class Solution {public: int largestRe原创 2017-02-21 10:53:54 · 226 阅读 · 0 评论 -
朴素贝叶斯
y为类别,x为特征向量 p(y|x)=p(xy)/p(x)=p(x|y)p(y)/p(x) 事实上转化为p(x|y)p(y)的求解 p(y)很简单只要求对应类别在训练数据中的比即可 至于p(x|y)的话 朴素贝叶斯有一个假设,即X中的各个特征之间是相互独立的。故而 p(x|y)=各个p(xi|y)的叠乘 对于单个p(xi|y)的概率求解,其实就是求出在C类当中,第I个特征值为xi的概率原创 2017-02-09 14:46:19 · 202 阅读 · 0 评论 -
归并排序算法
所谓归并排序,其实就是将一个数组分成等分两个相等的数组,然后对这两个数组都做同样的排序操作,再将两个数组结合起。实际是一个递归的过程 那么这个结合是怎么样的操作? 举例左数组为经过排序操作等于【3,4】,右数组等于【1,2】,那么 这个数组本应是【3,4,1,2】,如何使之变成【1,2,3,4】呢? 事实上,这是两个有序的数组,我们只须不断地比较两个数组各自的第一个,取出最小的加入新数组,直到原创 2017-02-07 15:44:18 · 189 阅读 · 0 评论 -
稳定匹配问题
完美匹配:假设有N个男人和N个女人,如果男人和女人匹配结成一对,是为完美匹配 不稳定匹配: 假设有两对夫妇while(存在一个男人m且还有他未求婚的妇人){ w=m未求婚过的最喜欢的女人 if(w是自由身) { 将(w,m)设置为约会状态 } else //已经和其他男人约会了 { m*=w当前约会的女人原创 2017-02-06 23:31:10 · 833 阅读 · 0 评论 -
Word Ladder
以下是Leetcode discussion上别人的Python代码class Solution: def ladderLength(self, beginWord, endWord, wordDict): #front back初始化 front, back=set([beginWord]), set([endWord]) length=2翻译 2016-11-09 11:10:39 · 169 阅读 · 0 评论 -
Efficient Scene Text Localization and Recognition with Local Character Refinement
论文内容一、 候选字符提取1. MSER提取,二值化2. 算出Distance Map3. 求出所有SSP(以每个像素为中心的3*3窗口内,若中心点是最大值,则表示是SSP点)4. 对每个连通分量,计算5维特征5. 用4中学到的5维特征训练SVM分类器(三类,单字符,多字符,背景)二、 文本线形成1. 每三个字符拟合一条直线(三个,拟合误差小)2. 所有直线进行原创 2016-10-26 17:07:24 · 454 阅读 · 0 评论 -
tiny-dnn源码Edge类
class edge { public: edge(node* prev, const shape3d& shape, vector_type vtype) : shape_(shape), vtype_(vtype), data_({vec_t(shape.size())}), grad_({ vec_t(sha原创 2017-09-17 15:59:56 · 413 阅读 · 0 评论