leetcode_5_Longest Palindromic Substring

描述:

Given a string S, find the longest palindromic substring in S. You may assume that the maximum length of S is 1000, and there exists one unique longest palindromic substring.

思路:

刚开始非常天真,以为stringBuilder.reverse() 和stingBuilder通过错位滑行就可以比较了,当然不行!因为最长子串很有可能不是从头开始的。但也可以从头到尾取子串错位滑行比较,但是时间代价太高,pass。
想了好久,终于想到了,可以从每个字符开始,分别将字符前面和后面的字符进行比较,并将统计的结果给存储下来。但是也有可能最长回文子串的字符个数是偶数,这也是一种情况。将以上两种情况求得的结果进行比较,最长的回文子串就给求出来了。

代码:

public String longestPalindrome(String s) {
		String str;
		if(s==null)
			return null;
		if(s.length()<=1)
			return s;
		int len=s.length();
		int endIndex=len-1;
		int i=0;
		int arr1[]=new int[len];
		int arr2[]=new int[len];
		Arrays.fill(arr1, 0);
		Arrays.fill(arr2, 0);
		int start=0,end=0,count=0;
		for(i=0;i<endIndex;i++)
		{
			start=i;
			end=i+1;
			count=0;
			while(s.charAt(start)==s.charAt(end))
			{
				count+=2;
				start--;
				end++;
				if(start<0||end>endIndex)
					break;
			}
			arr1[i]=count;
		}
		for(i=1;i<endIndex;i++)
		{
			start=i-1;
			end=i+1;
			count=1;
			while(s.charAt(start)==s.charAt(end))
			{
				count+=2;
				start--;
				end++;
				if(start<0||end>endIndex)
					break;
			}
			arr2[i]=count;
		}
		int max1=arr1[0],max1Index=0;
		int max2=arr2[0],max2Index=0;
		for(i=1;i<len;i++)
		{
			if(max1<arr1[i])
			{
				max1=arr1[i];
				max1Index=i;
			}
			if(max2<arr2[i])
			{
				max2=arr2[i];
				max2Index=i;
			}
		}
		if(max1>max2)
			str=s.substring(max1Index-max1/2+1, max1Index+max1/2+1);
		else if(max1<max2)
			str=s.substring(max2Index-max2/2, max2Index+max2/2+1);
		else 
		{
			if(max1Index<max2Index)
				str=s.substring(max1Index-max1/2+1, max1Index+max1/2+1);
			else 
				str=s.substring(max2Index-max2/2, max2Index+max2/2+1);
		}
		return str;
	}


结果:


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