学会对数器,自己测试代码!

本文介绍了如何使用对数器验证算法的正确性,通过对比简单选择排序与已知正确排序算法(如Java的Arrays.sort())在大量随机测试用例上的结果来确认新算法的准确性。主要步骤包括生成随机数组、进行排序、比较排序结果,最后通过主函数运行测试。这种方法在无法直接进行在线测试时特别有用。
摘要由CSDN通过智能技术生成

Coding后找不到在线测试?学会自己写对数器,帮你调试出完全正确的代码!

我们敲完代码后可能并不是任何时候都能找到合适的在线测试来检测代码是否正确,而自己调试可能不敢保证代码的健壮性,因此学会对数器的使用就显得非常重要了。
接下来我将用一个简单选择排序算法,给大家演示对数器的原理以及如何写出自己需要的对数器。

首先,对数器是用来干什么的呢?简单来说,对于任意一个问题,我们一般都会有至少两种不同的解法,也就是一个想起来很简单,并且完全正确但是运行效率较低的解法和一个不容易想到,正确性未知但是运行效率比较高的解法,而我们要用的对数器,就是让同样的随机测试用例,用两种算法来跑,当测试用例非常大时(例如500000组),如果两组算法得出的结果相同,那我们就有理由认为我们想出的新解法是完全正确的,是不是感觉比在线测试得出的结论更加有说服力呢?话不多说我们来看代码(在这里我用的是Java):

以简单选择排序为例:
首先写出我们写出的算法(上文中那个“不容易想到,正确性未知但是运行效率比较高的解法”)

public static void selectionSort(int [] arr)
	{
		if(arr == null || arr.length<2)
			return;
		//0-N-1;找到最小值,找到后放在0位置上
		for(int i=0;i<arr.length-1;i++)
		{
			int minIndex = i;
			for(int j=i+1;j<arr.length;j++)
				minIndex = arr[j]<arr[minIndex]?j:minIndex;
			swap(arr,i,minIndex);
		}
	}
	public static void swap(int[] arr,int i,int j)
	{
		int tmp = arr[i];
		arr[i] = arr[j];
		arr[j] = tmp;
	}

那我们想写对数器来测这个算法的正确性,这里我选择Java自带的Arrays.sort()方法 (上文中那个想起来很简单,并且完全正确但是运行效率较低的解法)

//For Test:
	public static void comparator(int[] arr) {
		Arrays.sort(arr);
	}

接下来的工作就是让完全随机的多组数同时在两个算法里运行,如果排序后每组数两个算法得出的结果都相同,则输出Nice!

//For Test:产生随机测试数组若干组
	public static int[] generateRandomArray(int maxSize,int maxValue) {
		int[] arr = new int[(int)((maxSize+1)*Math.random())];
		//Math.random方法得到一个[0,1)的小数
		//(maxSize+1)*Math.random() ----->[0,N+1) == [0,N]
		//数组最大容量和内部最大值都采用随机生成
		for(int i=0;i<arr.length;i++)
		{
			arr[i] = (int) ((maxValue + 1) * Math.random()) - (int) (maxValue * Math.random());
		}
		return arr;
	}
//ForTest:copy生成的随机数组
	public static int[] copyArray(int[] arr) {
		if (arr == null) {
			return null;
		}
		int[] res = new int[arr.length];
		for (int i = 0; i < arr.length; i++) {
			res[i] = arr[i];
		}
		return res;
	}
//for Test:判断两种算法运行后,两个数组排序是否相同
	public static boolean isEqual(int[] arr1,int[] arr2)
	{
		if ((arr1 == null && arr2 != null) || (arr1 != null && arr2 == null)) {
			return false;
		}
		if (arr1 == null && arr2 == null) {
			return true;
		}
		if (arr1.length != arr2.length) {
			return false;
		}
		for (int i = 0; i < arr1.length; i++) {
			if (arr1[i] != arr2[i]) {
				return false;
			}
		}
		return true;
	}
// for test:打印某个数列
	public static void printArray(int[] arr) {
		if (arr == null) {
			return;
		}
		for (int i = 0; i < arr.length; i++) {
			System.out.print(arr[i] + " ");
		}
		System.out.println();
	}
//For Test :主函数测试函数正确性
	public static void main(String[] args)
	{
		int testTime = 500000;     //用例500000组
		int maxSize = 100;         //数组最大容量
		int maxValue = 100;        //数组内最大元素
		boolean succeed = true;
		for(int i=0;i<testTime;i++)
		{
			int[] arr1 = generateRandomArray(maxSize, maxValue);
			int[] arr2 = copyArray(arr1);
			selectionSort(arr1);
			comparator(arr2);
			if(!isEqual(arr1, arr2))
			{
				succeed = false;
				printArray(arr1);
				printArray(arr2);
				break;
			}
		}
		System.out.println(succeed ? "Nice!" : "Fucking fucked!");
		
		//随机数列排序过程
		int[] arr = generateRandomArray(maxSize, maxValue);
		printArray(arr);
		selectionSort(arr);
		printArray(arr);
	}

运行截图

看到这里应该很理解对数器了吧,针对不同的算法,大家可以写出不同的对数器,以检测让自己的代码能做到万无一失哦!

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
### 回答1: DNN-HMM(Deep Neural Network - Hidden Markov Model)是一种用于语音识别的算法。它将DNN(深度神经网络)与HMM(隐马尔可夫模型)相结合,通过训练DNN来预测HMM中的状态转移概率。 在实现DNN-HMM的代码中,首先需要对语音数据进行预处理,将语音信号转换为特征向量。然后,需要训练DNN来预测HMM中的状态转移概率。训练完成后,可以使用Viterbi算法来解码输入语音的语音识别结果。 下面是一个使用Python和Keras库实现DNN-HMM的示例代码: ``` import numpy as np from keras.layers import Dense, Input from keras.models import Model from keras.optimizers import Adam from hmmlearn import hmm #预处理语音数据 def preprocess_data(audio_data): # do some preprocessing on the audio data return feature_vectors #训练DNN def train_dnn(feature_vectors, states): input_layer = Input(shape=(feature_vectors.shape[1],)) hidden_layer = Dense(units=64, activation='relu')(input_layer) output_layer = Dense(units=states, activation='softmax')(hidden_layer) model = Model(inputs=input_layer, outputs=output_layer) model.compile(optimizer=Adam(), loss='categorical_crossentropy') model.fit(feature_vectors, states) return model #训练HMM def train_hmm(model, feature_vectors, states): start_prob = np.random.rand(states) start_prob = start_prob / np.sum(start_prob) trans_matrix = np.random.rand(states, states) trans_matrix = trans_matrix / np.sum(trans_matrix, axis=1).reshape(-1, 1) hmm_model = hmm.MultinomialH ### 回答2: DNN-HMM是一种基于深度神经网络(DNN)和隐马尔可夫模型(HMM)的语音识别技术。它利用DNN的强大模式匹配能力以及HMM的序列建模能力,提高了语音识别的准确率。 在实现DNN-HMM代码时,首先需要进行数据预处理。这包括语音信号的特征提取,如使用MFCC算法提取语音信号的频谱特征,并将其转换为对数梅尔频谱系数(MFCC)。这些特征将作为输入传递给DNN。 接下来,需要使用DNN来训练模型。DNN由多个神经网络层组成,可以使用库,如TensorFlow或PyTorch,来搭建网络结构。在训练过程中,使用大量带标签的语音数据对DNN进行训练,使其学会从输入特征中提取语音识别所需的信息。 在训练完成后,需要将DNN与HMM结合起来。HMM是一种用于建模语音序列的统计模型,通常用于语音识别任务。在DNN-HMM中,HMM用于建模语音片段的状态转移概率,而DNN用于建模状态的发射概率。将训练好的DNN参数与HMM进行联合训练,通过迭代优化模型的参数,提高识别准确率。 最后,使用实时语音输入或预先录制的语音文件作为测试集,通过DNN-HMM模型进行语音识别。根据输入的语音特征序列,使用Viterbi算法在HMM中到最可能的状态路径,并输出对应的识别结果。 总的来说,实现DNN-HMM的代码需要包括数据预处理、DNN模型的训练、DNN与HMM的联合训练以及基于训练好的模型进行语音识别的过程。通过不断调优模型参数和增加训练数据,可以提高DNN-HMM模型的准确率。 ### 回答3: DNN-HMM,即深度神经网络隐马尔可夫模型,是一种用于语音识别和语言建模的技术。在DNN-HMM中,深度神经网络(DNN)用于提取语音特征,然后将这些特征输入到隐马尔可夫模型(HMM)中进行模型训练和识别。 要实现DNN-HMM,首先需要搭建DNN模型。可以使用Python编程语言和深度学习框架(如TensorFlow或PyTorch)来实现。DNN模型通常由多个隐藏层组成,每个隐藏层都包含多个神经元。输入层接受语音特征并将其传递给隐藏层,最后输出层产生预测结果。 接下来,需要为HMM模型创建初始状态概率、转移概率和发射概率。这些概率可以通过训练数据集来估计。初始状态概率表示在识别过程中开始的状态的可能性。转移概率表示从一个状态转移到下一个状态的可能性。发射概率表示在某个状态下观察到某个特定特征的可能性。 将DNN模型和HMM模型连接起来,可以使用Viterbi算法来识别语音。Viterbi算法根据先前的状态和观察到的特征来计算当前状态的似然。通过迭代Viterbi算法,可以到最可能的状态序列,从而实现语音的识别。 在编写DNN-HMM代码时,需要用训练数据集进行模型训练。训练过程将通过最小化损失函数来调整DNN模型的权重和偏置,以及调整HMM模型中的概率参数。一般来说,训练数据集应该包含标注好的语音样本和它们对应的文本标签。 最后,通过将测试音频样本输入到训练好的DNN-HMM模型中,可以进行语音识别。根据模型输出的预测结果,可以将其转换为文本或其他相应的形式。 总结来说,实现DNN-HMM的代码需要搭建DNN模型、创建HMM模型和概率参数、使用Viterbi算法进行语音识别,以及进行模型训练和测试。通过这些步骤,可以实现一个基于DNN-HMM的语音识别系统。
评论 4
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