剑指offer(面试题35):复杂链表的复制

/*
* 复杂链表的复制 
* 复杂链表是指,结点的指针可能不规则地指向另一个结点 
*/
#include<iostream>
using namespace std;

struct ComplexListNode {
    int value;
    ComplexListNode* next;
    ComplexListNode* pSibling;
    ComplexListNode():next(NULL),pSibling(NULL) {

    }
}; 

// 向后复制结点 
void CloneNodes(ComplexListNode* pNode);
// 复制sibling结点 
void ConnectSiblingNodes(ComplexListNode* pNode);
// 重新连接,分离原链表和复制后的链表 
ComplexListNode* ReconnectNodes(ComplexListNode* pNode);
// 主函数 
ComplexListNode* clone(ComplexListNode* pHead);

void CloneNodes(ComplexListNode* pRoot) {
    if(pRoot == NULL)
        return;

    ComplexListNode* pNode = pRoot;

    while(pNode != NULL) {
        cout << pNode->value << "->";
        ComplexListNode* pNew = new ComplexListNode();
        pNew->value = pNode->value;
        ComplexListNode* tmp = pNode->next;
        pNew->next = tmp;
        pNew->pSibling = NULL;

        pNode->next = pNew;
        pNode = pNew->next;
    }
}

// coped后的结点的 pSibling都为NULL,若检测到pSibling非NULL的结点
// 一定是原链表上的结点,因此下一个结点一定的复制的结点 
void ConnectSiblingNodes(ComplexListNode* pRoot) {
    if(pRoot == NULL) return;

    ComplexListNode* pNode = pRoot;
    while(pNode != NULL) {
        ComplexListNode* pClone = pNode->next;
        if(pNode->pSibling != NULL) {
//          cout << pNode->pSibling->value << endl;
            ComplexListNode* tmp = pNode->pSibling; 
            pClone->pSibling = tmp->next;
        }
        pNode = pClone->next;
    }
}

//根据原结点在前,复制的结点在后
// 将链表分成两段一样的链表,如此便得到复杂链表的复制 
ComplexListNode* ReconnectNodes(ComplexListNode* pRoot) {
    if(pRoot == NULL)
        return NULL;

    int index = 1;
    ComplexListNode* pNode = pRoot;
    ComplexListNode* pCloneHead = NULL;
    ComplexListNode* pCloneNode = NULL;
     while(pNode != NULL) {
        if(index % 2 == 0) {
            if(pCloneHead == NULL) {
                pCloneHead = pNode;
                pCloneNode = pCloneHead;
            } else {
                pCloneNode->next = pNode;
                pCloneNode = pCloneNode->next;  
            }
         }
         pNode = pNode->next;
         index ++;
     }
//  ComplexListNode* pNode1 = pCloneHead;
//  cout << "cloned" << endl;
//  while(pNode1) {
//      cout << pNode1->value << "->";
//      if(pNode1->pSibling)
//          cout << "(s->" << pNode1->pSibling->value << ")->";
//      pNode1 = pNode1->next; 
//  }
    return pCloneHead;
}

ComplexListNode* clone(ComplexListNode* pHead) {
    CloneNodes(pHead);
    ComplexListNode* pNode = pHead;
    ConnectSiblingNodes(pHead);
//  pNode = pHead;
//  cout << "connected" << endl;
//  while(pNode) {
//      cout << pNode->value << "->";
//      pNode= pNode->next; 
//  }
    return ReconnectNodes(pHead);    
}

int main() {
    ComplexListNode* pHead = new ComplexListNode();
    ComplexListNode* p1 = new ComplexListNode();
    ComplexListNode* p2 = new ComplexListNode();
    pHead->value = 1;
    p1->value = 2;
    p2->value = 3;
    pHead->next = p1;
    p1->next = p2;
    pHead->pSibling = p2;
    p2->pSibling = pHead;


    ComplexListNode* res = clone(pHead);


}
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