[LeetCode]Minimum Window Substring

class Solution {
//need2FT + hasFT + two pointer + count(check if satisfied)
//O(n)
public:
	string minWindow(string S, string T) {
		// Start typing your C/C++ solution below
		// DO NOT write int main() function
		int lenT = T.size();
		int lenS = S.size();
		if(lenT <= 0 || lenT > lenS) return string("");//illegal input
		int need2FT[256] = {0};
		int hasFT[256] = {0};
		for (int i = 0; i < lenT; ++i)//init need2FT 
			need2FT[T[i]]++;
		int start, end;//two pointer to sliding window
		start = end = 0;
		int count = 0;
		int minStart, minEnd, minLen;
		minLen = INT_MAX;
		for ( ; end < lenS; ++end)
		{
			if(0 == need2FT[S[end]]) continue;//unrelated character
			hasFT[S[end]]++;
			if (hasFT[S[end]] <= need2FT[S[end]])
				count++;
			if (count == lenT)//maintain the minimum sliding window
			{
				while (hasFT[S[start]] > need2FT[S[start]] || 0 == need2FT[S[start]])
				{
					if(0 != need2FT[S[start]])
						hasFT[S[start]]--;
					start++;
					if(start >= lenS)
						break;
				}
				int newWinLen = end-start+1;
				if (newWinLen < minLen)
				{
					minStart = start; 
					minEnd = end;
					minLen = newWinLen;
				}
			}
			if(start >= lenS) break;
			
		}
		if(minLen == INT_MAX) return string("");
		//then return the qualified sliding window
		return S.substr(minStart, minLen);
	}
};

second time

class Solution {
public:
    string minWindow(string S, string T) {
        // Start typing your C/C++ solution below
        // DO NOT write int main() function
        vector<int> cntTable(256, 0);
        vector<int> checkTable(256, 0);
        for(int i = 0; i < T.size(); ++i) checkTable[T[i]]++;
        //find the first window
        int validCnt = 0;
        int end;
        for(end = 0; end < S.size(); ++end)
        {
            if(cntTable[S[end]] < checkTable[S[end]]) validCnt++;
            cntTable[S[end]]++;
            if(validCnt == T.size()) break;
        }
        if(end == S.size()) return "";
        int minStart = 0;
        while(minStart < S.size() && cntTable[S[minStart]] > checkTable[S[minStart]]) cntTable[S[minStart++]]--;
        int minEnd = end;
        //try to find a minimum one
        int curStart = minStart;
        for(int i = minEnd+1; i < S.size(); ++i)
        {
            cntTable[S[i]]++;
            int newStart = curStart;
            while(cntTable[S[newStart]] > checkTable[S[newStart]])
            {
                cntTable[S[newStart]]--;
                newStart++;
            }
            curStart = newStart;
            if(i-newStart < minEnd-minStart) minStart = newStart, minEnd = i;
        }
        
        return S.substr(minStart, minEnd-minStart+1);
    }
};


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 2
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

打赏作者

AI记忆

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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