二叉树

二叉树的性质

  • 每个结点最多有两个子结点:左孩子、右孩子。
  • 以它们为根的子树称为左子树、右子树。 二叉树的第i层,最多有2i-1个结点。
  • 如果每一层的结点数都是满的,称为满二叉树。
  • 如果满二叉树只在最后一层有缺失,并且缺失的编号都在最后,那么称为完全二叉树

二叉树的存储

1.用指针实现。
struct node{
    int value;    //结点的值
    node *l, *r;  //指向左右子结点
};

2. 用数组实现。

二叉树的遍历

  •  1. 宽度优先遍历:一层层地遍历二叉树。用队列实现。
  • 2. 深度优先遍历:更常用的遍历方法。

 二叉树的深度优先遍历

  •  先(根)序遍历
  • 中(根)序遍历
  • 后(根)序遍历

 先(根)序遍历

  •  按父、左儿子、右儿子的顺序访问:
  • EBADCGFIH
  • 先序遍历的第一个结点是根
先序遍历的代码很简单:
void preorder (node *root){  
     cout << root ->value;  //输出
     preorder (root ->l);   //递归左子树
     preorder (root ->r);   //递归右子树
}

中(根)序遍历 

  •  按左儿子、父、右儿子的顺序访问:
  • ABCDEFGHI
  • 思考:结果为什么是字典序?

中序遍历的特点

  • ABCDEFGHI 返回的结果:
  • 根结点左边的点都在左子树上,右边的都在右子树上。
  • 例如:E是根,E左边的“ABCD”在它的左子树上;
  • 例如:在子树“ABCD”上,B是子树的根
  • 那么“A”在它的左子树上,“CD”在它的右子树上。
中序遍历代码:
void preorder (node *root){  
	preorder (root ->l);   //递归左子树
     cout << root ->value;  //输出
     preorder (root ->r);   //递归右子树
}

后(根)序遍历

  •  按左儿子、右儿子、父的顺序访问:
  • ACDBFHIGE
  • 后序遍历的最后一个结点是根

 三种遍历的关系

  •  已知二叉树的:“中序遍历+先序遍历”,或者“中序遍历+后序遍历”,都能确定一棵树。
  • 但是只有“先序遍历+后序遍历”,不能确定一棵树。
  • 例如下图,它们的先序遍历都是"1 2 3",后序遍历都是"3 2 1"。

例题: hdu 1710 Binary Tree Traversals 

 思路:

  • (1)先序遍历的第一个数是整棵树的根,例如样例中的“1”。
  • 再对照中序遍历,“1”左边的“4 7 2”都在根的左子树上,
  • 右边的“8 5 9 3 6”都在根的右子树上。得到下图最左子图。
  • (2)递归上述过程。

 

  题目代码

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,这些特征对于像和语音识别、自然语言处理、医学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,如像。它们使用卷积层来提取像的特征。 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