5. Longest Palindromic Substring

题目:

Given a string s, return the longest palindromic substring in s.

 

Example 1:

Input: s = "babad"
Output: "bab"
Note: "aba" is also a valid answer.

Example 2:

Input: s = "cbbd"
Output: "bb"

Example 3:

Input: s = "a"
Output: "a"

Example 4:

Input: s = "ac"
Output: "a"

 

Constraints:

  • 1 <= s.length <= 1000
  • s consist of only digits and English letters (lower-case and/or upper-case),

 

 

 

思路:

经典老题最长回文子串,因为如果暴力搜索会达到O(n^{3}),用DP降低到O(n^{2})。建立二维bool数组f,数组中f[j][i]表示index j到index i的字串是不是回文。这里有个点是LeetCode现在C++代码中不允许bool f[n][n]这种初始化方式了,因此只能建立二维vector。原本如果可以用C的初始化方式,速度能快一半,几个月前还可以用这种方式骗解题速度,现在应该是被ban了。然后是数组初始化,显然对于f[i][i],因为它是单个字母,肯定是回文,所以都设成true。之后判断是否s[i]==s[j],如果相等那么就可以判断:如果i+1和j-1也是回文,那当前就肯定是回文,这里注意是往里缩的,比如"baab",这里b和b相等,如果中间aa是回文,那么baab肯定是回文。第一个b对应i,第二个b对应j。然后如果i-j<2,也可以判断这是个回文,比如“cbbd”,这里光靠s[i]==s[j]是不够的,因为我们无法判断i+1和j-1,这不在我们循环的范围内;所以如果i-j小于2,即要不i==j,这种情况我们已经考虑过,但是如果i=j+1,即两个b相邻,那么我们也可以判断是回文。以上就是转移方程,剩下的就是每次都记录最大长度和对应的字串即可。

 

 

 

 

代码:

class Solution {
public:
    string longestPalindrome(string s) {
        int n=s.size();
        vector<vector<bool>> f(n,vector<bool>(n));
        for(int i=0;i<n;i++)
            f[i][i]=true;
        int count = 1;
        string ans=s.substr(0,1);
        for(int i=0;i<n;i++)
        {
            for(int j=0;j<i;j++)
            {
                if(s[i]==s[j])
                {
                    if(i-j<2||f[j+1][i-1])
                        f[j][i]=true;
                }
                if(f[j][i]&&i-j+1>count)
                {
                    count=i-j+1;
                    ans=s.substr(j,i-j+1);
                }
            }
        }        
        return ans;
    }
};

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