程序员面试金典 2.6

Palindrome:判断一个链表是否是回文链表。

最简单的方式就是构造一个逆序的单链表,然后通过遍历来判断原始链表和反转的链表是否相同。

/**
 * Definition for singly-linked list.
 * struct ListNode {
 *     int val;
 *     ListNode *next;
 *     ListNode(int x) : val(x), next(NULL) {}
 * };
 */
class Solution {
public:
    bool isPalindrome(ListNode* head) {
        ListNode* reverse = nullptr;
        ListNode* node;
        ListNode* curr = head;
        while(curr != nullptr){
            node = new ListNode(curr->val);
            node->next = reverse;
            reverse = node;
            curr = curr->next;
        }
        return isEqual(head, reverse);
    }
private:
    bool isEqual(ListNode* head, ListNode* reverse)
    {
        while(head != nullptr && reverse != nullptr){
            if(head->val != reverse->val) return false;
            head = head->next;
            reverse = reverse->next;
        }
        return head == nullptr && reverse == nullptr;
    }
};

另外一种想法是链表的前一半和后一半是相反的,所以可以将前一半逆序,然后和后一半进行比较。通过栈的先进后出特性可以实现逆序。

如果知道链表长度,则只需要将前一半的节点依次入栈,然后就可以和后面一半进行比较了。如果不知道链表长度,那么可以使用快慢指针定位到链表中间,然后进行比较,另外还要注意长度的奇偶。

/**
 * Definition for singly-linked list.
 * struct ListNode {
 *     int val;
 *     ListNode *next;
 *     ListNode(int x) : val(x), next(NULL) {}
 * };
 */
class Solution {
public:
    bool isPalindrome(ListNode* head) {
        vector<ListNode*> vecPart;
        ListNode* fast = head;
        ListNode* slow = head;
        while(fast != nullptr && fast->next != nullptr){
            vecPart.push_back(slow);
            slow = slow->next;
            fast = fast->next->next;
        }
        if(fast != nullptr){//odd number of nodes
            slow = slow->next;
        }
        while(slow != nullptr){
            if(slow->val != vecPart.back()->val) return false;
            slow = slow->next;
            vecPart.pop_back();
        }
        return true;
    }
};

最后,还可以用递归的方法。判断0 ~ n - 1的链表是否是回文链表,可以先判断第1 ~ n - 2是否是回文链表,然后再判断第0个和第n - 1个是否相等。但是因为无法直接定位到第n - 2个,所以需要还需要提前计算长度。

/**
 * Definition for singly-linked list.
 * struct ListNode {
 *     int val;
 *     ListNode *next;
 *     ListNode(int x) : val(x), next(NULL) {}
 * };
 */
class Solution {
public:
    bool isPalindrome(ListNode* head) {
        int len = ListLength(head);
        return isPalindrome(head, len).bPalindrome;
    }
private:
    struct Result
    {
        bool bPalindrome;
        ListNode* corr;
    };
    int ListLength(ListNode* head)
    {
        int ret = 0;
        while(head != nullptr){
            ret++;
            head = head->next;
        }
        return ret;
    }
    Result isPalindrome(ListNode* head, int length)
    {
        Result res;
        if(length == 0){
            res.bPalindrome = true;
            res.corr = nullptr;
        }
        else if(length == 1){//odd number of nodes
            res.bPalindrome = true;
            res.corr = head->next;
        }
        else if(length == 2){//even number of nodes
            res.bPalindrome = head->val == head->next->val;
            res.corr = head->next->next;
            return res;
        }
        else{
            res = isPalindrome(head->next, length - 2);
            if(res.bPalindrome && head->val == res.corr->val);
            else res.bPalindrome = false;
            res.corr = res.corr->next;
        }
        return res;
    }
};
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