构造哈夫曼树,并求加权路径长度 C++(优先级队列)

C++构造哈夫曼树

引用一下百度百科里面的构造哈夫曼树的描述:

假设有n个权值,则构造出的哈夫曼树有n个叶子结点。 n个权值分别设为 w1、w2、…、wn,则哈夫曼树的构造规则为:
(1) 将w1、w2、…,wn看成是有n 棵树的森林(每棵树仅有一个结点);
(2) 在森林中选出两个根结点的权值最小的树合并,作为一棵新树的左、右子树,且新树的根结点权值为其左、右子树根结点权值之和;
(3)从森林中删除选取的两棵树,并将新树加入森林;
(4)重复(2)、(3)步,直到森林中只剩一棵树为止,该树即为所求得的哈夫曼树。

我的代码就是照着这个百度百科构造的哈夫曼树,☺️☺️??
其中加权路径长度就是根到叶节点的距离乘以路径长度。
集合:11, 1, 32, 13, 6, 19, 4, 14的加权路径长度为:256

我写了两个版本的代码,如下所示。

  1. 第一个版本:使用优先级队列,边合并边计算,队列存的是Tree类型
#include<bits/stdc++.h>
using namespace std;
vector<int>v{
   11, 1, 32, 13, 6, 19, 4, 14};// 待构造数据
struct Tree
{
   
    int weight;// 树的权重
    Tree* left;// 左子树
    Tree* right;// 右子树
    bool leaf;// 是否是叶节点
    bool operator<(const Tree& that)const{
   
        return weight > that.weight;// 优先级队列的比较规则,每次选取权重最小的树出队
    }
    Tree(int weight, Tree* left, Tree* right, bool leaf):weight(weight), left(left), right(right), leaf(leaf){
   
  • 3
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
YOLOv8是一种目标检测算法,它是YOLO(You Only Look Once)系列的最新版本。要使用YOLOv8进行目标检测,需要先准备好训练数据集,并使用该数据集训练权重。下面是一个示例代码,展示了如何使用YOLOv8和数据集进行训练: ```python # 导入必要的库 import torch from torch.utils.data import DataLoader from torchvision import datasets from torchvision import transforms from models import Darknet from utils import load_classes, weights_init_normal, parse_data_config from utils import non_max_suppression, compute_ap # 设置训练参数 epochs = 100 batch_size = 16 learning_rate = 0.001 momentum = 0.9 weight_decay = 0.0005 # 加载数据集 data_config = parse_data_config("data.data") train_path = data_config["train"] valid_path = data_config["valid"] class_names = load_classes(data_config["names"]) # 定义数据转换 transform = transforms.Compose([ transforms.Resize((416, 416)), transforms.ToTensor(), ]) # 加载训练集和验证集 train_dataset = datasets.ImageFolder(train_path, transform=transform) valid_dataset = datasets.ImageFolder(valid_path, transform=transform) # 创建数据加载器 train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) valid_loader = DataLoader(valid_dataset, batch_size=batch_size, shuffle=False) # 创建模型 model = Darknet("cfg/yolov3.cfg") model.apply(weights_init_normal) # 定义损失函数和优化器 criterion = torch.nn.MSELoss() optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate, momentum=momentum, weight_decay=weight_decay) # 开始训练 for epoch in range(epochs): model.train() for batch_i, (imgs, targets) in enumerate(train_loader): imgs = imgs.to(device) targets = targets.to(device) # 前向传播 outputs = model(imgs) loss = criterion(outputs, targets) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() # 在验证集上评估模型 model.eval() with torch.no_grad(): # 进行预测 detections = [] for batch_i, (imgs, targets) in enumerate(valid_loader): imgs = imgs.to(device) targets = targets.to(device) outputs = model(imgs) detections.extend(non_max_suppression(outputs, conf_thres=0.5, nms_thres=0.4)) # 计算平均精度(AP) ap = compute_ap(detections, targets) # 打印训练进度 print(f"Epoch {epoch+1}/{epochs}, Loss: {loss.item()}, AP: {ap}") # 保存训练好的权重 torch.save(model.state_dict(), "yolov8_weights.pth") ``` 这段代码假设你已经准备好了数据集,并且将其按照YOLOv3的数据集格式进行了组织。你需要根据自己的数据集路径和配置文件进行相应的修改。此外,你还需要确保已经安装了必要的库和模型文件。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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