kmp模板 字典树模板 哈希

KMP

const int inf=0x3f3f3f;
const int maxn=1e6+6;
const int base=32;	
const int mod = 1e9+7;
char a[maxn],b[maxn];
ll lena,lenb;
int next1[maxn];
void getnext(){
	next1[0]=-1;
	int i=0,j=-1;
	while(i<lena){//子串
		if(j==-1||a[i]==a[j]){//子串
			i++;j++;
			if(a[i]==a[j]) next1[i]=next1[j];
			else next1[i]=j;
		}
		else{
			j=next1[j];
		}
	}
}
int KMP(){
	int i=0,j=0,ans=0;
	while(i<lena&&j<lenb){//子串 母串
		if(i==-1||a[i]==b[j]){
			i++;j++;
		}
		else i=next1[i];
		if(i==lena){
			ans++;//出现次数....
			i=next1[i];
		}
	}
	return ans;
}
int main(){
return 0;
}

字典树

const int inf=0x3f3f3f;
const int maxn=1e6+6;
const int base=32;	
const int mod = 1e9+7;
int num[maxn]={0};//以该字母开头单词的个数
struct trie{
	int next[30];//分支
}t[maxn];
int pos=1;
void add(char s[]){
	int p=0;
	int len=strlen(s);
	for(int i=0;i<len;i++){
		int n=s[i]-'a';
		if(t[p].next[n]==0)
			t[p].next[n]==pos++;
		p=t[p].next[n];
		num[p]++;
	}
}
int find(char s[]){
	int p=0;
	int len=strlen(s);
	for(int i=0;i<len;i++){
		int n=s[i]-'a';
		if(t[p].next[n]==0)
			return 0;
		p=t[p].next[n];
	}
	return num[p];
}

哈希

ll hash1[maxn];
int lena,lenb;
for(int i=0;i<lena;i++){
	sum=sum*base+(int)a[i];
}//子串的哈希值
hash1[0]=0;
for(int i=1;i<=lenb;i++){
	hash1[i]=hash1[i-1]*base+b[i-1];
}//每个位置上从前向后的哈希值
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