学习算法日常——(判断回文数 - java)

真的好无语啊!!!

今天在写 LeetCode 的 第 9 题时,就是那个回文数。

我的想法是利用栈的“先进后出”特性,

1.先转换为字符串

2.将字符串拆分,从第一个开始压入栈

3.再从栈中弹出,利用StringBuilder 拼接

4.最后比较 拼接之后和原来的是否相等,相等就是回文数,否则就不是。

上代码!

这是题目

 

我最开始的代码注意:我第一次代码有问题

public static boolean huiwen(String str){
    //new 一个栈
    Stack<Object> stack= new Stack<Object>();
    // 这里使用StringBuilder 进行拼接
    StringBuilder sb=new StringBuilder();
    // 循环,压入栈
    for (int i = 0; i < str.length(); i++) {
        System.out.println(str.charAt(i));
        stack.push(str.charAt(i));

    }
    int len= stack.size();
    //循环取出,并拼接字符串
    for(int i=0;i<len;i++){
        Object pop= stack.pop();
        sb.append(pop);
    }
    if(str.equals(sb)){
        return true;
    }
    return false;
}

But  But 有问题

        运行有问题,测试“121”, 返回false;   这肯定不对啊

调试后,也没问题啊 ! 你看

 看着  str = "121"  ,  sb  = "121"。 这能不对???

解决问题

问题出在这个  “ equals() ” 方法上

StringBuilder 中没有对 equals() 进行重写 。所以这里比较的是内存地址。这肯定不一样啊,所以一直返回false.

最终通过的代码

class Solution {
    public boolean isPalindrome(int x) {
        boolean flag = false;

        String str = String.valueOf(x);

        return hh(str);
    }

    public static boolean hh(String str){
        Stack<Object> objects = new Stack<>();
        // 这里直接 定义一个字符串
        String a = "";
        for (int i = 0; i < str.length(); i++) {
            objects.push(str.charAt(i));
        }
        int len= objects.size();
        for(int i=0;i<len;i++){
            char pops= (char) objects.pop();
            a = a + pops;
        }
        if(a.equals(str)){
            return true;
        }
        return false;
    }
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
卷积神经网络(Convolutional Neural Network,CNN)是一种机器学习算法,其主要应用于图像识别、计算机视觉和模式识别等领域。CNN模型的设计灵感来源于科学家们对于生物视觉系统的研究。该算法的核心概念是通过卷积层、池化层和全连接层的组合,对输入的图像进行特征提取和分类。 在CNN中,卷积层是该模型的主要组成部分之一。通过定义一组卷积核(或过滤器),卷积层可以对输入的图像进行滤波操作,将原始图像中的特定特征(例如边缘和纹理)提取出来,并生成一系列特征图。这些特征图可以被认为是对原始图像进行不同尺度和方向的特征提取。 在经过卷积层之后,通常会接着使用池化层来进行下采样操作。池化层的主要目的是减小特征图的尺寸,同时保留重要的特征信息。最常见的池化操作是最大池化,它通过从特定区域选择最大值来减小特征图的尺寸。 最后,经过卷积层和池化层的多次迭代后,最后会以全连接层作为输出层,进行分类任务。全连接层的每个节点都与前一层的所有节点相连接,主要用于将最后一层的特征进行整合,并根据特征进行分类或回归。 相比于传统机器学习算法,CNN在处理图像任务方面具有更好的性能。这是因为卷积层可以通过共享权重和局部连接的方式进行参的共享,大大减少了需要训练的参量,并且能够有效处理图像的平移不变性。此外,卷积神经网络还可以通过堆叠多个卷积层和全连接层来构建深层网络模型,从而进一步提高模型的性能。 总而言之,卷积神经网络是一种强大的机器学习算法,特别适用于图像识别和计算机视觉任务。通过卷积层、池化层和全连接层的组合,CNN可以有效地提取图像中的特征,并进行分类或回归等任务。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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