计算后续表达式 LectCode之Evaluate Reverse Polish Notation

在记录lectcode这道题目前先说明一下三个相关知识点:前序表达式,中序表达式,后序表达式

前序表达式(Polish Notation 或 Prefix Notation):

前序表达式就是不含括号的算术表达式,而且它是将运算符写在前面,操作数写在后面的表达式,也称为“波兰式”。例如,- 1 + 2 3,它等价于1-(2+3)。

        计算一般需要一个栈。

        思路如下:

        顺序解析字符串数组(输入,如:input=["+","/","*","2",“3”,“-”,“2”,“1”,“*”,“3”,“-”,“4”,“1”],即2*3/(2-1)+3*(4-1)

从后向前遍历input,遇到数字时,压栈,遇到符号时,计算结果并压栈。

如上计算步骤如下:栈a

=>1,4                   a=[1,4] (左边表示栈底)

=>  -       a=[3]

=>3                       a=[3,3]

=>  *                       a=[9]

=> 1,2                  a=[9,1,2]

=>  -                       a=[9,1]

=> 3,2                  a=[9,1,3,2]

=>  *                       a=[9,1,6]

=>   /                      a=[9,6]

=> +                        a=[15]

结束。 

                  

后序表达式(Reverse Polish notationRPN 或 Postfix notation):

    逆波兰记法中,操作符置于操作数的后面。例如表达“三加四”时,写作“3 4 +”,而不是“3 + 4”。如果有多个操作符,操作符置于第二个操作数的后面,所以常规中缀记法的“3 - 4 + 5”在逆波兰记法中写作“3 4 - 5 +”:先3减去4,再加上5。计算步奏见下文。

中序表达式(Infix notation):

    正常表达式,符号在中间,需要借助括号来表示。一般计算机需要将中序表达式转化为前序或者后续进行运算。


如表格:

中序表达式

2*3/(2-1)+3*(4-1)

前序表达式

+/*23-21*3-41

后序表达式

23*21-/341-*+




Evaluate Reverse Polish Notation :

Evaluate the value of an arithmetic expression in Reverse Polish Notation.

Valid operators are +-*/. Each operand may be an integer or another expression.

Some examples:

  ["2", "1", "+", "3", "*"] -> ((2 + 1) * 3) -> 9
  ["4", "13", "5", "/", "+"] -> (4 + (13 / 5)) -> 6

#include<iostream>
#include<vector>
#include<stack>
#include<string>
#include<limits>
using namespace std;
  
class Solution {
public:
   int str2int(string str)
	{
	//	char a[10];
		return atoi(str.c_str());
	}
	int getOperator(string str){
		if(str=="+")
			return 0;
		else if(str=="-")
			return 1;
		else if(str=="*")
			return 2;
		else if(str=="/")
			return 3;

		return -1;
	}
	int evalRPN(vector<string> &tokens) {
        int sum,first_ops,second_ops;
		stack<int> st_tmp;

		int op;
	
		for(vector<string>::iterator i = tokens.begin();i!=tokens.end();i++){
			if(-1!= (op=getOperator(*i)))
			{
				if(!st_tmp.empty()){
					second_ops=st_tmp.top();
					st_tmp.pop();
				}else{
					return -1;
				}
				if(!st_tmp.empty()){
					first_ops=st_tmp.top();
					st_tmp.pop();

					//get second_ops and first_ops
					switch(op){
					case 0:
						sum=first_ops+second_ops;
						break;
					case 1:
						sum=first_ops-second_ops;
						break;
					case 2:
						sum=first_ops*second_ops;
						break;
					case 3:
						if(0==second_ops)
							return -1;
						sum=first_ops/second_ops;
						break;
					default:
						break;
					}
					st_tmp.push(sum);
				}else
					return -1;
			}
			else{
				st_tmp.push(str2int(*i));
			}
		}
		if(!st_tmp.empty()){
			sum=st_tmp.top();
			st_tmp.pop();
			if(st_tmp.empty())
				return sum;
		}
		return -1;
    }

};



  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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