leetcode 516.最长回文子序列 (区间dp)

link

题意:给你一个字符串求最长回文子序列。

这是区间dp的经典问题,设dp[ i ][ j ] 为区间i到j中最长回文子序列的长度。

当s[ i ] == s[ j ] 的时候,dp[ i ][ j ] = dp[ i + 1][ j - 1] + 2;

当s[ i ] != s[ j ] 的时候,dp[ i ] [ j ]  =  max( dp [ i + 1 ][ j ] , dp[ i ] [ j - 1] );

那么最终的答案就是 dp[ 0 ] [ n ].

时间复杂度时o(n^2),空间复杂度时o(n^2).

代码:

class Solution {
public:
    int longestPalindromeSubseq(string s) {
        int dp[1005][1005];
        for(int i=0;i<=s.size();i++)dp[i][i] = 1;
        for(int l=2;l<=s.size();l++)
        {
            for(int i=0;i+l-1<s.size();i++)
            {
                int j = i+l-1;
                if(s[i] == s[j])dp[i][j] = dp[i+1][j-1] + 2;
                else dp[i][j] = max(dp[i+1][j],dp[i][j-1]);
            }
        }
        return dp[0][s.size()-1];
    }
};

考虑优化的情况,时间复杂度没法优化了,空间复杂度可以,因为每次转移,都是从比当前枚举长度少1的方案数转移,也就是说,实际上我们只用了当前长度和比当前长度短1的这两种状态,其他的状态都是不必要的,所以我们可以考虑用滚动数组优化。cur等于1是代表长度为奇数,起点为i 的解,cur=0代表偶数,这样我们就可以用滚动数组的方式把空间压缩到 o(2n).

code:

class Solution {
public:
    int longestPalindromeSubseq(string s) {
        int dp[1005][2];
        memset(dp,0,sizeof(dp));
        int cur = 1;
        for(int i=0;i<=s.size();i++)dp[i][cur] = 1;
        for(int l=2;l<=s.size();l++)
        {
            cur^=1;
            for(int i=0;i+l-1<s.size();i++)
            {
                int j = i+l-1;
                if(s[i] == s[j])dp[i][cur] = dp[i+1][cur] + 2;
                else dp[i][cur] = max(dp[i+1][cur^1],dp[i][cur^1]);
            }
        }
        return dp[0][cur];
    }
};

 

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