双向链表的基本操作

双向链表为带头结点的双向链表
以下为双向链表的dblinklist.h代码:
#pragma once 

typedef char DLinkNodeType;

typedef struct DLinkNode{
	DLinkNodeType data;
	struct DLinkNode* prev;
	struct DLinkNode* next;
}DLinkNode;

//初始化
void DLinkListInit(DLinkNode** phead);

//查找
DLinkNode* DLinkListFind(DLinkNode* head  , DLinkNodeType to_find);

//尾插
void DLinkListPushBack(DLinkNode* head,DLinkNodeType value);

//尾删
void DLinkListPopBack(DLinkNode* head);

//头插
void DLinkListPushFront(DLinkNode* head,DLinkNodeType value);

//头删
void DLinkListPopFront(DLinkNode* head);

//在pos 之前插入一个元素
void DLinkListInsertFront(DLinkNode* head , DLinkNode* pos , DLinkNodeType value);

//在pos之后插入一个元素
void DLinkListInsertAfter(DLinkNode* head, DLinkNode* pos , DLinkNodeType value);

函数的实现:

//初始化

因为该双向链表为带头节点的链表,而头结点的内容并没有实际意义,所以初始化时创建结点赋值为0;

void DLinkListInit(DLinkNode** phead) {
	if(*phead == NULL) {
		//非法输入
		return;
	}
	*phead = CreateDLinkNode(0);
}
函数CreateDLinkNode()为创建一个结点,实现代码如下:

DLinkNode* CreateDLinkNode(DLinkNodeType value) {
	DLinkNode* new_node = (DLinkNode*) malloc(sizeof(DLinkNode));
	new_node->data = value;
	new_node->prev = new_node;
	new_node->next = new_node;
	return new_node;
}
//查找

思想:使用循环遍历链表,在循环中判断每一个结点的值是否与所要查找的相等,若相等则返回此时的指针,若循环结束则没找到,返回空指针。

代码如下:

DLinkNode* DLinkListFind(DLinkNode* head , DLinkNodeType to_find) {
	if(head == NULL) {
		//非法输入
		 return NULL;
	}
	if(head->next == head) {
		return NULL;
	}
	DLinkNode* cur = head->next;
	for(;cur != head ; cur = cur->next) {
		if(cur->data == to_find) {
			return cur;
		}
	}
	return NULL;
}
//尾插

思想:首先创建一个新结点,再定义一个指针使之指向最后一个元素,双向链表的头指针的prev即为最后一个元素,然后修改头指针与新插入的结点指针间的指向,还有最后一个元素与新插入的结点之间的指向。

代码如下:

void DLinkListPushBack(DLinkNode* head , DLinkNodeType value) {
	if(head == NULL) {
		//非法输入
		return;
	}
	DLinkNode* new_node = CreateDLinkNode(value);
	DLinkNode* tail = head->prev;
	head->prev = new_node;
	new_node->next = head;

	new_node->prev = tail;
	tail->next = new_node;
	return;
}
//尾删

思想:定义一个指针使之指向最后一个元素即要删除的元素,在定义一个指针使之指向倒数第二个元素,修改头指针与倒数第二个结点之间的指针指向,最销毁最后一个结点。

代码如下:

void DLinkListPopBack(DLinkNode* head) {
	if(head == NULL) {
		//非法输入
		return;
	}
	if(head->next == head) {
		//空链表
		return;
	}
	DLinkNode* to_delete = head->prev;
	DLinkNode* prev = to_delete->prev;

	head->prev = prev;
	prev->next = head;
	DestroyDLinkNode(to_delete);
	return;
}
//头插

思想:首先创建一个新结点,再定义一个指针使之指向第一个元素,双向链表的头指针的next即为第一个元素,然后修改头指针与新插入的结点指针间的指向,还有第一个元素与新插入的结点之间的指向。

代码如下:

void DLinkListPushFront(DLinkNode* head , DLinkNodeType value) {
	if(head == NULL) {
		//非法输入
		return;
	}
	DLinkNode* new_node = CreateDLinkNode(value);
	DLinkNode* next_node = head->next;

	head->next = new_node;
	new_node->prev = head;

	new_node->next = next_node;
	next_node->prev = new_node;
	return;
}

//头删

思想:定义一个指针使之指向第一个元素即要删除的元素,在定义一个指针使之第二个元素,修改头指针与第二个结点之间的指针指向,最销毁第一个结点。
代码如下:

void DLinkListPopFront(DLinkNode* head) {
	if(head == NULL) {
		//非法输入
		return;
	}
	if(head->next == head) {
		//空链表
		return;
	}
	DLinkNode* to_delete = head->next;
	DLinkNode* next_node = to_delete->next;

	head->next = next_node;
	next_node->prev = head;
	DestroyDLinkNode(to_delete);
	return;
}
//在pos之前插入

思想:首先创建一个新结点,再定义一个指针使之指向pos的前一个元素,然后修改pos与新插入的结点指针间的指向和指向pos之前的元素的指针与新结点之间指针的指向。

代码如下:

void DLinkListInsertFront(DLinkNode* head , DLinkNode* pos , DLinkNodeType value) {
	if(head == NULL || pos == NULL) {
		//非法输入
		return;
	}
	DLinkNode* new_node = CreateDLinkNode(value);
	DLinkNode* prev = pos->prev;
	prev->next = new_node;
	new_node->prev = prev;

	new_node->next = pos;
	pos->prev = new_node;
	return;
}
//在pos之后插入

思想:首先创建一个新结点,再定义一个指针使之指向pos的后一个元素,然后修改pos与新插入的结点指针间的指向和指向pos之后的元素的指针与新结点之间指针的指向。

代码如下:

void DLinkListInsertAfter(DLinkNode* head , DLinkNode* pos , DLinkNodeType value) {
	if(head == NULL || pos == NULL) {
		return;
	}
	DLinkNode* new_node = CreateDLinkNode(value);
	DLinkNode* next = pos->next;

	pos->next = new_node;
	new_node->prev = pos;

	new_node->next = next;
	next->prev = new_node;
	return;
}




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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 、2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、资 5源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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