5.Longest Palindromic Substring

Given a string S, find the longest palindromic substring in S. You may assume that the maximum length of S is 1000, and there exists one unique longest palindromic substring.

循环遍历:回文字符串有2种可能,一种是abba这种形式,一种是aba这种形式;因此分2种情况进行遍历;保存长度最长的即可。

time: O(n*n)

<span style="font-size:14px;">public class Solution {
    int max=0;
    String res="";
    public String longestPalindrome(String s) {
       if(s==null)
            return s;
       int len=s.length();
       if(len<=1)
            return s;
       for(int i=1;i<len;i++){
           palinhelp(s,i-1,i,0,len);
           palinhelp(s,i-1,i+1,1,len);
       }
       return res;
    }
    
    public void palinhelp(String s,int j,int k,int flag,int len){
         int temp=0;
         while(j>=0&&k<len&&s.charAt(j)==s.charAt(k)){
                temp+=2;
                j--;
                k++;
            }
            if(temp+flag>max){
               res=s.substring(j+1,k);
               max=temp+flag;
           }
    }
}</span>

动态规划:从后往前求解,flag[i][j]表明i,i+1,...,j-1,j是回文串,且i+1,...,j-1也是回文串。利用的就是这一性质.

实际执行时间比前者要大。

time: O(n*n)

space: O(n*n)

 public String longestPalindrome(String s) {
       if(s==null)
            return s;
       int len=s.length();
       if(len<=1)
            return s;
      
      String res="";
      boolean[][] flag=new boolean[len][len];
      int index;
      int max=1;
      for(int i=len-2;i>=0;i--){
          index=i;
          for(int j=i+1;j<len;j++){
              if((j-i)<3&&s.charAt(i)==s.charAt(j)){
                   flag[i][j]=true;
                   index=j;
              }
               
              else if(s.charAt(i)==s.charAt(j)&&flag[i+1][j-1])
              {
                   flag[i][j]=true;
                   index=j;
              }
             
          }
          if((index-i+1)>max){
              max=index-i+1;
              res=s.substring(i,index+1);
          }
           
      }
      
       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