1354. Palindrome. Again Palindrome

1354. Palindrome. Again Palindrome

Time limit: 1.0 second Memory limit: 64 MB
A   word  is the nonempty sequence of symbols   a 1 a 2an. A   palindrome  is the word   a 1 a 2an  that is read from the left to the right and from the right to the left the same way ( a 1 a 2an  =   ana n−1a 1). If   S 1  =   a 1 a 2an  and   S 2  =   b 1 b 2bm, then   S 1 S 2  =   a 1 a 2an b 1 b 2bm. The input contains some word   S 1. You are to find a nonempty word   S 2  of the minimal length that   S 1 S 2  is a palindrome.

Input

The first input line contains   S 1  (it may consist only of the Latin letters). It’s guaranteed that the length of   S 1  doesn’t exceed 10000 symbols.

Output

S 1 S 2.

Samples

inputoutput
No
NoN
OnLine
OnLineniLnO
AbabaAab
AbabaAababA
Problem Author: Denis Nazarov Problem Source: USU Junior Championship March'2005
***************************************************************************************
kmp没想出来,用简单法做的
***************************************************************************************
 1 #include<iostream>
 2 #include<string>
 3 #include<cstring>
 4 #include<cmath>
 5 #include<algorithm>
 6 #include<cstdio>
 7 #include<queue>
 8 #include<vector>
 9 #include<stack>
10 using namespace std;
11 char  str[10011];
12 int n,i,j,k;
13 bool  judge(int x)//检查后缀的最大回文
14  {
15      int h,g;
16      for(h=x,g=n-1;g>h;h++,g--)
17        if(str[h]!=str[g])
18         return false;
19     return true;
20  }
21  int main()
22  {
23      scanf("%s",str);
24      n=strlen(str);
25      for(i=0;i<n;i++)
26       cout<<str[i];
27      for(i=1;i<n;i++)
28       if(judge(i))
29        break;
30     for(j=i-1;j>=0;j--)
31      cout<<str[j];
32     cout<<endl;
33     return 0;
34 
35 
36  }
View Code

 

转载于:https://www.cnblogs.com/sdau--codeants/p/3275087.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