数据结构——线性结构(二)

本文详细介绍了单链表的基本概念及其实现方法,包括创建、插入、删除和查找等核心操作,并提供了具体的代码示例。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这篇文章讨论线性表的另一种存储结构:链表

单链表即线性表的链式存储结构,也叫线性链表。其特点是用一组任意的存储单元来保存数据,链表的每个节点分为数据域指针域。数据域用来保存数据信息,指针域用来指示下一个节点的存储单元地址。

从上可以看出:

1)单链表有一个头结点,要查找某个节点时从该节点出发查找。

2)要删除某个位置的节点,可以通过修改该节点的前驱节点的指针域和该节点的指针域相同,这样其前驱节点将会直接指向下一个节点(当然,删除之后要调用free函数来释放)

3)要在某个位置插入一个节点,同删除,只需新建一个节点元素,然后将要插入位置的前驱节点的指针域指向新节点元素的地址,并将该节点的指针域指向插入位置的节点。

定义单链表的结构为:

#define ElemType int
typedef struct LNode{
	ElemType data;									//单链表每个节点保存的数据	即数据域
	struct LNode *next;								//单链表的指向下一个节点的指针	即指针域
}LNode,Linklist;

分别实现链表的创建,插入,删除,查找

创建:

/*
	函数名:Linklist_creat
	函数功能:建立带表头节点L的单链表
	函数返回:返回表头节点的地址
*/
Linklist* Linklist_creat(ElemType e)
{
	Linklist *L;
	L=(LNode*)malloc(sizeof(LNode));				//为表头节点分配内存
	L->next=NULL;									//将头结点的指针域赋值为null
	L->data=e;										//头结点指针域赋值
	return L;
} 

插入代码:

/*
	函数名: Linklist_insert
	函数功能:在单链表的某个位置插入一个元素
	函数返回:返回插入的结果EROOR失败,OK成功,
*/
int Linklist_insert(Linklist *L, int i,ElemType e)
{
	Linklist *p = L;
	for(;i>0&&p->next!=NULL;i--)
	{	
		p=p->next;									//移动头指针指向第i个节点
	}
	if(p->next==NULL&&i!=0)							//即L已经指向最后一个节点而位置还没调整到第i个节点,则i不合法
	{
		return ERROR;
	}
	else if(p->next==NULL&&i==0)					//即L已经指向最后一个节点而位置刚好调整到第i个节点,即在链表的尾部添加一个节点
	{
		LNode* NewNode=(LNode*)malloc(sizeof(LNode));
		NewNode->data=e;
		NewNode->next=NULL;
		p->next=NewNode;
		return OK;
	}
	else if(p->next!=NULL&&i==0)					//即向两个节点中插入一个新的节点
	{
		LNode* NewNode=(LNode*)malloc(sizeof(LNode));
		NewNode->data=e;
		NewNode->next=p->next;
		p->next=NewNode;
		return OK;
	}
}

删除:

/*
函数名: Linklist_delete
函数功能:删除单链表第i个位置的元素
函数返回:若成功删除,返回删除元素的值,否则返回ERROR
*/
ElemType Linklist_delete(Linklist *L, int i)
{
	Linklist *p = L;
	ElemType e;
	for (i=i-2; i>0 && p->next != NULL; i--)		//这里的i-2~~~~~如要删除第2个节点,p应当指向第一个节点,故p移动一次,则条件为(i-1)-1
	{
		p = p->next;								//移动指针指向第i个节点的前一个节点
	}
	if (p->next == NULL&&i != 0)					//即L已经指向最后一个节点而位置还没调整到第i个节点,则i不合法
	{
		exit(0);
	}
	else if (p->next == NULL&&i == 0)				//即L已经指向最后一个节点而位置刚好调整到第i个节点的前一个节点,即删除链表尾部的一个节点
	{		
		e = p->next->data;
		free(p->next);
		p->next = NULL;
		return e;
	}
	else if (p->next != NULL&&i == 0)				//即删除两个节点中的一个节点
	{
		Linklist *tmp = p->next;
		e = p->next->data;
		p->next = p->next->next;					//调整已删除节点的前驱节点的指针域
		free(tmp);									//释放要删除的节点的存储空间
		return e;
	}
}

查找:

/*
函数名:Linklist_GetElm
函数功能:得到单链表中某个位置的元素,并将其返回
函数返回:返回单链表某个位置的值
*/
ElemType Linklist_GetElm(Linklist *L, int i)		//得到单链表中某个位置的元素,并将其返回
{
	Linklist *p = L;
	for (i=i-1; i>0 && p->next != NULL; i--)		//要得到第i个位置的数据,需要头结点移动i-1次
	{
		p = p->next;//移动头指针指向第i个节点
	}
	return  p->data;

}



### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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