LeetCode 67 Add Binary

好久不写博客了,最近有跳槽的打算,所以打算重新刷一遍LeetCode,顺便在这里做一点笔记

https://leetcode.com/problems/add-binary/

#67 的Add Binary,大意就是使用string的方式实现两个二进制字符串的加法,思路很简单,先寻找到较长的那个字符串,之后开始从两个字符串的尾部遍历做加法,之所以需要考虑较长字符串,是因为存在1111 + 10这样的情况

使用vector存放最后的输出结果

 1 #define max(a,b) (((a) > (b)) ? (a) : (b))
 2 #define min(a,b) (((a) < (b)) ? (a) : (b))
 3 
 4 class Solution {
 5 public:
 6     string addBinary(string a, string b) {
 7         int max_len = max(a.length(), b.length());
 8         int min_len = min(a.length(), b.length());
 9         int carry = 0, temp = 0;
10         int index;
11         vector<char> ret;
12         string *long_binary;
13         string *shot_binary;
14         if (max_len == a.length()){
15             long_binary = &a;
16             shot_binary = &b;
17         }
18         else{
19             long_binary = &b;
20             shot_binary = &a;
21         }
22         for (int index = 1; index <= max_len; index++){
23             if (index > min_len){
24                 temp = carry + ((*long_binary)[max_len - index] - '0');
25             }
26             else{
27                 temp = carry + ((*long_binary)[max_len - index] - '0') + ((*shot_binary)[min_len - index] - '0');
28             }
29             carry = 0;
30             if (temp == 2){
31                 temp = 0;
32                 carry = 1;
33             }
34             else if (temp == 3){
35                 temp = 1;
36                 carry = 1;
37             }
38             ret.insert(ret.begin(), '0' + temp);
39         }
40         if (carry == 1)
41             ret.insert(ret.begin(), '1');
42         string result;
43         result.insert(result.begin(), ret.begin(), ret.end());
44         return result;
45     }
46 };

 

转载于:https://www.cnblogs.com/chrischeng/p/5705992.html

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