字节秋招前端一面收获

今天没问太多问题,主要是三个代码题让我有些收获

  1. 访问单链表倒数第k个节点
    这个主要是思路:
    • 遍历一遍用数组存下(面试官说不许用这方法😂)
    • 双指针,指针p遍历到链尾,测出链表长度,指针q,遍历到len-k的长度(这是我想的)
    • 双指针,指针p走到距头指针k-1的位置,然后p,q同时往后走,直到p指针走到链尾(这是面试官提示的)
  2. 测试一棵树是否为二叉搜索树
    方法一:递归(当时想用递归,但没写出来)
    我认为这种方法的局限是,无法确定第一次比较时的max和min,这也是为什么我当场没写出来的原因,但是看好多blog都这么写,有点迷~
function isBst(node, min, max){
  if(node===null){
    return true
  }
  if(node.val<min||node.val>max){
    return false
  }
  return isBst(node.left, min, node.val-1) && isBst(node.right, node.val+1, max)
}
idBst(root, -Infinity, Infinity)

方法二:遍历——BST中序遍历递增

function isBST(root) {
    let stack = [];
    let min = -Infinity;

    while (stack.length || root !== null) {
        while (root !== null) {
            stack.push(root);
            root = root.left;
        }
        root = stack.pop();
        // 如果中序遍历得到的节点的值小于等于前一个 inorder,说明不是二叉搜索树
        if (root.val <= min) return false;
        min = root.val;
        root = root.right;
    }
    return true;
};
  1. 实现一句话的翻转,空格位置保持不变,如:" This is an apple"=》" sihT si na elppa"
    (注意,apple前是两个空格!)
function reverse(str){
	str = str.split(' ')
	for(let i=0; i<str.length;i++){
		str[i] = str[i].split('').reverse().join('')
	}
	return str.join(' ')
}

这道题的收获在哪呢?最大的收获就是牛客网IDE是垃圾🙃,我用这个返回的结果是sihT si na elppa(注意,apple前只剩一个空格了)加上我没注意输出中This前的那个空格,所以我没发现IDE的问题;由于空格的数目是不确定的,我一度以为不能用split(' '),我就愣那愣了半天,开始用最笨的遍历来做标记,后来面试官提示我:

['', '', ''].join(' ')  =>  '  '

而牛客网IDE输出为' '。然后面试官说,那就按单个空格join吧~
在这里插入图片描述

我又把代码改回原来的摸样,此时,面试已经进行了三四十分钟吧~我就因为这么个破玩意,整场面试,都没问几个技术问题🙃,我就这么不明不白的凉了。

收获二, map直接修改item,竟然对str无效,哪怕重新赋值都无效,原来item是一个指向str[index]的地址的变量,所以重新赋值也对str无效:
在这里插入图片描述
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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