重温KMP算法

今天重温了KMP算法,总算是彻底搞明白了,以前看KMP算法的时候总是似乎懂了,又不是彻底懂了。

看了一些博客,总结下面可以从3个层次来理解KMP算法:

1.是比较好懂的是前后缀法

参考网站:http://www.ruanyifeng.com/blog/2013/05/Knuth%E2%80%93Morris%E2%80%93Pratt_algorithm.html

2.其次是有穷自动机法

参考网站:https://niuye.info/fms-kmp/

3.经典算法解读法

参考网站:http://www.cnblogs.com/yjiyjige/p/3263858.html

自己实践了一下代码如下

#include "KMP.h"

void KMP::__getNext(std::string& viPattern, std::unique_ptr<int[]>& viNext)
{
	int k = -1;
	int i= 0;
	viNext[i] = -1;
	while ((unsigned int)i < (viPattern.length()-1))
	{
		if (k == -1 || viPattern[i] == viPattern[k])
		{
			viNext[++i] = ++k;
		}
		else
			k = viNext[k];
	}

}

int KMP::KMPSearch(std::string& viPattern, std::string& viTotalString)
{
	using namespace std;
	unique_ptr<int[]> NextArray(new int[viPattern.length()]);
	__getNext(viPattern, NextArray);
	int i = 0, k = 0;
	while ((unsigned int)i < viTotalString.length()&&k<viPattern.length())
	{
		if (viPattern[k] == viTotalString[i] || k == -1)
		{
			++k;
			++i;
		}
		else
		{
			k = NextArray[k];
		}
	}

	if (k == viPattern.length())
		return i - k;
	else
		return -1;
}


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