集训第六天

集训第六天

 

今天学习了树,然后我看了一个约瑟夫问题,其中树包括一般树,二叉树中的完全二叉树,满二叉树等等,当然还有树的实现,今天讲的是用数组实现的二叉树,下午我用了链表实现了一下,它的实现其实并不算难,但是有一点值得注意的就是递归的使用。

递归用起来真的很方便,但是还是有需要注意的,(按照先序遍历的方式)

首先就是要创建一个根结点,然后在去创建他的左子树,然后是右子树,值得关注的是该函数是有返回值的,这样的话可以根据返回的情况来判断左子树和右子树是不是空的;

struct NODE *CreateTree(void)         

{

       charch;

       structNODE *p = NULL;            

 

       scanf("%c",&ch);

       if(' ' == ch)

       {

              returnp;

       }

       else

       {

              p= (struct NODE *)malloc(sizeof(struct NODE));

             

              p->ch= ch;

              p->lchild= CreateTree();

              p->rchild= CreateTree();

             

              returnp;

       }

}

然后就是对二叉树的遍历,有4中遍历方式,但是经常用到的有三种,分别是先序遍历,中序遍历,后序遍历,先中后指的是对根节点输出的先后顺序,同样用到了递归的方法,拿先序遍历为例:首先就是要判断是否为空,这也是在创建树的时候返回的NULL或者是!NULL,

然后就是输出根节点中存放的数据,然后就是对左子树遍历,然后是右子树,这样就能得到树;

 

bool traverse(struct NODE *p)

{

       if(!p)

              returntrue;

      

visit(p->ch);

       traverse(p->lchild);

       traverse(p->rchild);

      

      

       returntrue;

}

 

void visit(char ch)

{

       printf("%c", ch);

}

 

其次就是求树的深度,还是递归,如果子树不为空,就继续调用depth函数吗,直到子树为空,返回其中最大的,即为树的深度;

int depth(struct NODE *p)

{

       intl;             //左子树的深度

       intr;              //右子树的深度

      

       if(p == NULL)

       {

              return0; 

       }

      

       if( p->lchild )

       {

              l= depth(p->lchild);

       }

       else

       {

              l= 0;

       }

      

       if( p->rchild )

       {

              r= depth(p->rchild);

       }

       else

       {

              r= 0;

       }

      

       return(l>r) ? (l+1) : (r+1);

}


 

 

 

对于约瑟夫问题,它就是一个循环单链表吧,其中有一步的操作很重要,就是取余的操作,循环的数要对总数取余,然后就是循环到循环数的前一个数,然后输出那个数,删去该结点,其他就是一些链表的操作:

 

# include <stdio.h>

# include <stdlib.h>

 

typedef struct node

{

       intdata;

       structnode *next; 

}node;

 

node *create(int n)

{

       node*p = NULL, *head;

       head= (node *)malloc(sizeof(node));

       p= head;

       node*s;

       inti = 1;

      

       if(n)

       {

              while(i <= n)

              {

                     s= (node *)malloc(sizeof(node));

                     s->data= i++;

                     p->next= s;

                     p= s;

              }

              s->next= head->next;

       }

      

       free(head);

      

       returns->next;

}

 

int main()

{

       intn = 41;

       intm = 3;

       inti;

       node*p = create(n);

       node*temp;

      

       m%= n;

      

       while(p != p->next)

       {

              for(i=1; i<m-1; i++)

              {

                     p= p->next;

              }

 

              printf("%d->",p->next->data);

             

              temp= p->next;

              p->next= temp->next;

              free(temp);

             

              p= p->next;

       }

      

       printf("%d\n",p->data);

      

       return0;

}


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