LeetCode 203. 移除链表元素

一、题目分析与整体思路

在这个示例中,给定的val值是6,就将输入链表中的所有是6的节点给删除了。

整体思路:

1、将这个链表从头到尾遍历;

2、如果能找到值与val值相等的节点,就把该节点删除。

 

二、删除链表节点的操作

当我们遍历到需要删除的节点之后,这时候已经不能删除该节点了,所以,需要遍历到需要删除节点的前一个节点的时候,才能把这个节点删除。

因为想要删除该节点,就必须对该节点前面的指针进行操作,也只有current在被删除节点前一个的时候,才能对该指针进行操作。

 

删除的具体方式:cur.next = cur.next.next;

此方式表示当前指针的下一个节点指向了当前指针的下下个节点,当遍历这个链表的时候已经遍历不到当前指针的下个节点了,就相当于当前指针的下个节点已经被删除了。

 

三、头部处理

前面说到,当删除头节点的话是没办法删除的,current只能在头节点的前面,才可以删除掉头节点。

所以,我们需要一个虚拟头节点,把它放到头节点的前面,并且,current从虚拟头节点(dummyHead)开始遍历。那么,如果说头节点的值就是题目给定的value的话,current就可以在这里对头节点进行删除,所以,代码中应该:cur = dummy。

 

四、尾部处理

尾部处理,也就是这个循环的终止条件。

首先,current是不需要遍历到尾部节点的。如果尾部元素在是我们需要删除的节点的话,current只要在倒数第二个位置,就可以对它进行删除了。

在代码中可以这样判断:cur != null && cu.next != null。

 

五、Code

/**
 * Definition for singly-linked list.
 * public class ListNode {
 *     int val;
 *     ListNode next;
 *     ListNode(int x) { val = x; }
 * }
 */
class Solution {
    public ListNode removeElements(ListNode head, int val) {
        ListNode dummy = new ListNode(0);//建立虚拟头节点
        ListNode cur = dummy;//让current从虚拟头节点开始遍历
        cur.next = head;//current的下一个节点指向头节点

        //对链表进行遍历,对需要删除的节点删除
        while(cur != null && cur.next != null){
           if(cur.next.val == val){
               cur.next = cur.next.next;
           }else{
               cur = cur.next;
           }
        }
        return dummy.next;//返回真正的头节点,就把整个链表进行返回
    }
}

 

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