HDU1247 Hat’s Words(Trie树)

常规做法是枚举每个字符串每个位置,时间复杂度O(n*len*len),(建字典树O(n*len))。

然而我看这题第一眼想的是时间复杂度O(n*len)的算法。。就是建正反两棵字典树,每个字符串跑分别跑正反一遍字典树,再看看正反跑的结果能不能拼成原串。

然而常数太大了点,并没什么卵用。。

 1 #include<cstdio>
 2 #include<cstring>
 3 using namespace std;
 4 #define MAXL 22
 5 #define MAXN 50100
 6 
 7 int ch0[MAXN*MAXL][26],tn0,ch1[MAXN*MAXL][26],tn1;
 8 bool flag[2][MAXN*MAXL];
 9 void insert(char *s){
10     int x=0,len=strlen(s);
11     for(int i=0; i<len; ++i){
12         int y=s[i]-'a';
13         if(ch0[x][y]==0) ch0[x][y]=++tn0;
14         x=ch0[x][y];
15     }
16     flag[0][x]=1;
17     x=0;
18     for(int i=len-1; i>=0; --i){
19         int y=s[i]-'a';
20         if(ch1[x][y]==0) ch1[x][y]=++tn1;
21         x=ch1[x][y];
22     }
23     flag[1][x]=1;
24 }
25 
26 char path[MAXL];
27 bool vis[2][MAXL];
28 void query(int len){
29     memset(vis,0,sizeof(vis));
30     int x=0;
31     for(int i=0; i<len; ++i){
32         int y=path[i]-'a';
33         if(ch0[x][y]==0) break;
34         x=ch0[x][y];
35         if(flag[0][x]) vis[0][i]=1;
36     }
37     x=0;
38     for(int i=len-1; i>=0; --i){
39         int y=path[i]-'a';
40         if(ch1[x][y]==0) break;
41         x=ch1[x][y];
42         if(flag[1][x]) vis[1][i]=1;
43     }
44 }
45 void dfs(int x,int k){
46     if(flag[0][x]){
47         query(k);
48         bool ishat=0;
49         for(int i=1; i<k; ++i){
50             if(vis[0][i-1] && vis[1][i]){
51                 ishat=1;
52                 break;
53             }
54         }
55         if(ishat){
56             for(int i=0; i<k; ++i) putchar(path[i]);
57             putchar('\n');    
58         }
59     }
60     for(int i=0; i<26; ++i){
61         if(ch0[x][i]){
62             path[k]=i+'a';
63             dfs(ch0[x][i],k+1);
64         }
65     }
66 }
67 int main(){
68     char str[MAXL];
69     while(~scanf("%s",str)) insert(str);
70     dfs(0,0);
71     return 0;
72 }

 

转载于:https://www.cnblogs.com/WABoss/p/5161510.html

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