浙大数据结构习题笔记:二叉树各种遍历完全代码实现

二叉树的遍历及其应用C/C++代码实现 二叉树的存储结构: 顺序存储:只适合完全二叉树。 链式存储:利用这种结点结构所得二叉树的存储结构分别称之为二叉链表和三叉链表。 二叉树的遍历: 规定先左后右,按照根结点的访问次序可分为先(根) 序遍历、中(根) 序遍历和后(根) 序遍历。 先序遍历序列:ABCDEGF 中序遍历序列:CBEGDFA 后序遍历序列:CGEFDBA 注意: 另外由二叉树的先序序列和中序序列,或由其后序序列和中序序列均能唯一地确定一棵二叉树。 但先序序列和后序序列不能唯一确定一棵二叉树。 遍历的应用: 1,建立二叉链表 2,复 阅读详情

二叉树各种遍历全代码实现

看到二叉树的遍历,虽然上课讲这段的时候,就练习了很多,但当时仅仅是做了伪代码实现。没有做实际的可执行代码实现,这次好好写了一下,遍历的原理不再阐述,主要贴一下代码实现

PS:其实就是上课的时候,对于非递归部分,老师仅仅讲了如何用栈和队列的思想,而没有讲一讲实现栈的部分,而教科书上的代码我觉得太冗长了,于是乎直接用C++的STL容器的stack与queue来玩,要不然真的要写烂了……

使用样例

在这里插入图片描述

完全代码实现

#include <iostream>
#include <stack>
#include <queue>
using namespace std;
#define MAX_SIZE 100

typedef char ElemType;

typedef struct TreeNode *BinTree;
struct TreeNode{
    ElemType data;
    BinTree left;
    BinTree right;
};


void PreOrder(BinTree BT)
{
    if(BT){
        printf("%c ",BT->data);
        PreOrder(BT->left);
        PreOrder(BT->right);
    }
}


void InOrder(BinTree BT)
{
    if(BT){
        InOrder(BT->left);
        printf("%c ",BT->data);
        InOrder(BT->right);
    }
}

void PostOrder(BinTree BT)
{
    if(BT){
        PostOrder(BT->left);
        PostOrder(BT->right);
        printf("%c ",BT->data);
    }
}

void PreOrder2(BinTree BT)
{
    stack<BinTree> stack;
    BinTree p = BT;
    while(p || !stack.empty()){
        if(p != NULL){
            stack.push(p);
            printf("%c ",p->data);
            p = p->left;
        }else{
            p = stack.top();
            stack.pop();
            p = p->right;
        }
    }
}

void InOrder2(BinTree BT)
{
    stack<BinTree> stack;

    BinTree p = BT;
    while(p!=NULL || !stack.empty()){
        if(p!=NULL){
            stack.push(p);
            p = p->left;            
        }else{
            p = stack.top();
            printf("%c ",p->data);
            stack.pop();
            p = p->right;
        }
    }
}

//后序非递归

typedef struct BinTNodePost{
    BinTree bitree;
    char tag;
}BinTNodePost,*BinTreePost;

void PostOrder2(BinTree BT)
{
    stack<BinTreePost> stack;
    BinTree p = BT;
    BinTreePost postT;
    while(p != NULL || !stack.empty()){
        //遍历左树
        while(p != NULL){
            postT = (BinTreePost)malloc(sizeof(BinTNodePost));
            postT->bitree = p;
            postT ->tag = 'L';
            stack.push(postT);
            p = p->left;
        }

        while(!stack.empty() && (stack.top())->tag == 'R'){
            postT = stack.top();
            stack.pop();
            printf("%c ",postT->bitree->data);
        }

        if(!stack.empty()){
            postT = stack.top();
            postT->tag = 'R';
            p = postT->bitree;
            p = p->right;
        }
    }
}

void PostOrder3(BinTree BT)
{
    stack<BinTree> stack;
    BinTree p = BT;
    BinTree r = NULL;   //辅助判断右子树是否被判断
    while(p != NULL || !stack.empty()){
        if(p != NULL){  //走到最左侧,轮流入栈
            stack.push(p);
            p = p->left;
        }else{
            p = stack.top();
            if(p->right != NULL && p->right != r){
                p = p->right;
                stack.push(p);
                p = p->left;
            }else{
                p = stack.top();
                stack.pop();
                printf("%c ",p->data);
                r = p;
                p = NULL;
            }
        }
    }
}

void LevelOrder(BinTree BT)
{
    BinTree p = BT;
    queue<BinTree> queue;
    queue.push(p);
    while(!queue.empty()){
        p = queue.front();
        printf("%c ",p->data);
        queue.pop();
        if(p->left != NULL){
            queue.push(p->left);
        }
        if(p->right != NULL){
            queue.push(p->right);
        }
    }
}

int main()
{
    BinTree node1,node2,node3,node4,node5,node6;
    node1 = (BinTree)malloc(sizeof(struct TreeNode));
    node2 = (BinTree)malloc(sizeof(struct TreeNode));
    node3 = (BinTree)malloc(sizeof(struct TreeNode));
    node4 = (BinTree)malloc(sizeof(struct TreeNode));
    node5 = (BinTree)malloc(sizeof(struct TreeNode));
    node6 = (BinTree)malloc(sizeof(struct TreeNode));
    
    node1->data = 'A';
    node2->data = 'B';
    node3->data = 'C';
    node4->data = 'D';
    node5->data = 'E';
    node6->data = 'F';

    node1->left = node2;
    node1->right = node3;
    node2->left = node4;
    node2->right = node5;
    node3->left = NULL;
    node3->right = node6;
    node4->left = NULL;
    node4->right = NULL;    
    node5->left = NULL;
    node5->right = NULL;
    node6->left = NULL;
    node6->right = NULL;
    
    printf("PreOrder:");
    PreOrder(node1);
    printf("\nInOrder:");
    InOrder(node1);
    printf("\nPostOrder:");
    PostOrder(node1);
    printf("\nPreOrder2:");
    PreOrder2(node1);
    printf("\nInOrder2:");
    InOrder2(node1);
    printf("\nPostOrder2:");
    PostOrder2(node1);
    printf("\nPostOrder3:");
    PostOrder3(node1);
    printf("\nLevelOrder:");
    LevelOrder(node1);

    return 0;
}

运行结果

PreOrder:A B D E C F 
InOrder:D B E A C F 
PostOrder:D E B F C A 
PreOrder2:A B D E C F 
InOrder2:D B E A C F 
PostOrder2:D E B F C A 
PostOrder3:D E B F C A 
LevelOrder:A B C D E F 
MOOC浙大数据结构课后题记录——PTA数据结构题目集(全) 本博客是为了记录学习数据结构时做的题集,若代码有疏漏欢迎指出! ps:因为已经学过c++了所以就都用c++写了。 阅读详情

相关推荐

《数据结构》(浙大版)笔记+题解目录

前言 中国大学MOOC上浙大的《数据结构》广受好评,原因有二,一是基础,简单易懂,老师讲得也清楚,另一大优点就是配套的每周相应知识点的编程题了,有难有易,容易的题帮助巩固知识点,难的题开阔视野。 现将笔记和题解目录记录如下,有需要自取 正课笔记 ...

叫我皮卡丘 3万+

二叉树的构建与遍历(先序、中序、后序、层次)

二叉树的构建与遍历

人生处处是围城,一切都是最好的安排! 1万+

浙大数据结构mooc知识点总结

数据结构 线性结构 线性表 堆栈 队列 树 树的定义 二叉树及存储结构 n0+n1+n2=0*n0+1*n1+2*n2+1化简得n0=n2+1 二叉树的遍历 后序遍历:对于任一结点P,将其入栈,然后沿其左子树一直往下搜索,直到搜索到没有左孩子的结点,此时该结点出现在栈顶,但是此时不能将其出栈并访问, 因此其右孩子还为被访问。所以接下来按照相同的规则对其右子树进行相同...

loserChen的博客 2600

【数据结构】二叉树的实现&递归遍历(完整代码)

二叉树实现的功能包含以下内容: 1.按要求创建一棵树 2.计算树节点,树叶子节点的个数 3.输出树中第n层的节点个数 4.关于树前序,中序,后序的递归遍历 5.树的层序遍历 6.判断树是否为完全二叉树 7.树的前序,中序,后序的非递归遍历 >二叉树的递归遍历:直接按遍历顺序递归调用 >二叉树的层序遍历可以借用队列结构来实现 >二叉树的非递归遍历可以借用栈结构来实现 > **前序遍历: 根 -- 左 -- 右 > 中序遍历: 左 -- 根 -- 右 > 后序遍历: 左 -- 右 -- 根**

ly_6699的博客 2万+

《浙大数据结构》MOOC课程资料全套

数据结构是计算机存储、组织数据的方式。它定义了数据之间的关系,并指明了利用这些数据可以进行的操作。理解数据结构对于软件开发人员来说,就如同建筑师理解砖块、混凝土等建筑材料一样至关重要。图是一种非线性数据结构,它由一组顶点(节点)和一组连接这些顶点的边组成。在计算机科学中,图被广泛应用于各种算法和问题的解决中,如网络设计、社交网络分析、资源调度等。图可以分为两种类型:有向图和无向图。在有向图中,每条边都有一个方向,表示为一个从起点到终点的箭头。

weixin_36303807的博客 891

ad23新版Geber导出-官方教程(22.11版本后)

AD23新版本geber文件导出(含官方教程)-22.11之后的版本均可用此教程

安和的博客 3万+

c语言-数据结构-二叉树-生成、遍历代码

1. 目标 生成一个二叉树,遍历输出二叉树中的内容,并显示所在的层级。 2. 运行示例 输入如下图二叉树(前序遍历方式),不存在的子节点用空格代替。显示如下。 3. 源代码 需要的注意的是,这里利用递归的方式动态分配内存,需要用指向指针的指针(也可以利用返回指针的方式)才能工作。 #include #define title "-------

生命在于折腾! 1万+

AI 辅助代码审查:开启代码质量管控的智能时代

AI辅助代码审查正在改变传统的代码质量管控方式。通过自动化分析、智能反馈和上下文感知,AI不仅提高了代码审查的效率,还提升了代码质量的一致性和可维护性。随着机器学习和深度学习技术的不断发展,未来AI将成为开发者日常工作中强大的助手,进一步推动软件开发向智能化、自动化方向发展。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 3229

数据结构(4)二叉树的基本操作——C语言代码实现

作为一个数据结构学习的新手,这篇文章也算是笔记了,请根据目录食用 目录 单链表的操作(C语言) 一、存储结构 二、前序递归建立二叉树 三、前序递归遍历二叉树 四、前序非递归遍历二叉树 五、中序非递归遍历二叉树 六、后序非递归遍历二叉树 七、层序遍历 八、层序遍历Pro(按层输出)(舍去,采用Pro++) 九、层序遍历Pro++(按层输出) 层序遍历Pro和层序遍历Pro++的对比反思 十、树的深度——递归实现 十一、结点数统计——递归实现 十二、度为0的结点的个数——递归实现

qq_56117689的博客 1万+

目标检测中回归损失函数(L1Loss,L2Loss,Smooth L1Loss,IOU,GIOU,DIOU,CIOU,EIOU,αIOU ,SIOU)

为了解决CIoU的问题,有学者在CIOU的基础上将纵横比拆开,提出了EIOU Loss,并且加入Focal聚焦优质的预测框,与CIoU相似的,EIoU是损失函数的解决方案,只用于训练。在错误率小的地方,梯度的值也应当小,反之在错误率大的地方,梯度也应当大,因为这时候我们需要对错误率小的情况进行微调,而错误率大的地方进行大刀阔斧的调整;如下图所示,三种情况IoU都相等,但看得出来他们的重合度是不一样的,左边的图回归的效果最好,右边的最差。DIoU的作者考虑到,在两个框中心点重合时,c与d的值都不变。

zyw2002的博客 6632

超全!!snowboy语音唤醒(树莓派4b)

通过snowboy进行树莓派的语音唤醒

crimaster1024的博客 8738

浙大数据结构笔记-二叉树的遍历

二叉树 链表式存储结构 二叉树结构 typedef struct TreeNode *BinTree; typedef BinTree Position; struct TreeNode { ElementType Data; BinTree Left; BinTree Right; }; 堆栈结构 typedef struct StackNode *Stack; struct Stack...

qq_24041595的博客 511

STM32CubeIDE无法连接STLinkV2的一个可能原因

前些日子买了个新的STLINKV2 , ( 老的被我家猫猫一泡尿送上西天了)刚开始还挺正常的, 后来有一天就突然间发现无法调试了.网上尝试了各种方法, 各种操作. 百度了好久. 最后好在我自己研究出来了.我使用的是 STM32CubeIDE 这个开发工具调试选项如下图其它的不需要修改, 然后点击下面的apply 按钮, 然后调试Debug, 提示 No STLink 如下图后来尝试了下载ST-LINK Utility 用它是可以正常连接STLink的, 然后也能正常进行升级操作.

走错路的程序员 9835

二叉树(Binary Tree)的建立与遍历——C语言实现

本文的写作目的在于巩固自己在数据结构和C语言方面的基础知识,提升写代码的基本功。本文的代码参考了浙大MOOC数据结构中的演示代码以及《大话数据结构》中的演示代码,因为运行没有结果显示加上发现自己对C语言指针的理解不到位,于是又参考了另外两个博主的代码。非常感谢浙大的何钦铭老师以及两位博主。 其一参考简书博主EarthChen 其二参考csdn博主men_wen 一、运行环境简介 编辑器:VSCode + MicroSoft原生C/C++插件; 运行环境: MinGW ; 常用指令: gcc mian.c

ravi's blog 1026

医疗AI知识库更新慢?提示工程架构师用Agentic AI自动更新的策略

我们的目标是用Agentic AI替代传统更新流程中的“重复劳动”,让医疗知识库(以知识图谱为例)能自动跟踪最新医学进展,把“更新周期从数月缩短到数天”。从PubMed/指南数据库自动抓取新文献;用提示工程从文本中提取结构化医学知识;自动校验新知识与旧知识的冲突;将通过校验的知识写入知识图谱。拆问题:先讲医疗知识库更新慢的3大根源;给方案:用Agentic AI设计4个“小助手”解决问题;讲原理:每个小助手的工作逻辑+提示工程技巧;做实战。

AI 原生应用开发的博客 1063

【目标跟踪】基于Kalman滤波实现无人机运动轨迹跟踪附matlab代码

1 简介 在近代控制中,需要对某一特定的运动目标进行跟踪监测,并需要对其下一时间的运动位置,运动方向,速度等信息进行预先估算,才能达到对目标的即时控制.本文简要讨论了用卡尔曼滤波算法对单个目标航迹进行预测,并借助于Matlab仿真工具,对实验的效果进行评估. 2 部分代码 clc; close all; %initial state xo=25; vox=2; %Observations **** % X-Direction Calcula

qq_59747472的博客 4732

【浙大数据结构学习笔记】3.4 二叉树的遍历

目录3.4 二叉树的遍历先序遍历中序遍历后序遍历层次遍历 3.4 二叉树的遍历 有四种方法:先序、中序、后序和层次遍历。 用链式存储结构: typedef struct TreeNode *Position; typedef Position BinTree; struct TreeNode{ Element Data; BinTree Left,Right; }; 先序遍历 先访问根结点,再遍历左子树、右子树。 void PreOrderTraversal(BinTree BT){ if(BT)

qq_38605382的博客 344

uniapp(全端兼容) - 详细实现唤起手机摄像头对商品进行拍照识别功能,在uniapp全平台小程序/h5网页/安卓苹果app做商品扫描识别效果,仿京东淘宝扫描识别功能效果(提供示例代码,开箱即用)

uniapp,微信小程序,移动端h5网页,手机H5网站,安卓苹果app软件,拍照识图功能,vue前端实现商品拍照识别,uniapp详细实现调用手机摄像头拍照识别商品,uniapp拍照识图插件组件实例代码,uni-app实现京东淘宝拼多多点击拍照识图功能,uniapp怎么做电商app的拍照识别图片上的商品功能,uniapp仿淘宝拍照识图,uniapp仿京东拍照识图,调用后置摄像头拍照扫描图片上的物品,手机摄像头拍照并拖动一个区域进行识别,前端怎么做识别图片的交互效果,uniapp(全端兼容) - 详细实现唤起

✅ 精选推荐文章 4409

MOOC浙大数据结构-二叉树的遍历

二叉树的遍历 前序遍历 遍历过程: 访问根节点 中序遍历其左子树 中序遍历其右子树 void InOrderTraversal(BinTree BT) { if (BT) { printf("%d", BT->Data); InOrderTraversal(BT->Left); InOrderTraversal(BT->Right); } } 非递归遍历算法 使用堆栈 void InOrderTraversal(BinTree BT) { BinTree T = B

ashtime 578

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

浙大 PAT 甲级 1147 Heaps 堆 后序遍历 完全二叉树

完全二叉树可以用数组很好的表示,这题只用到堆的定义,关于堆的上滤、下滤操作等典型例程可以参照《数据结构与算法分析——C语言描述》系统复习。本题还考察如何根据完全二叉树的层序遍历来还原构建二叉树,以及后序遍历。 #include<stdio.h> #include<queue> #include<vector> #include<stdlib.h>...

qq_39115541的博客 213

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

《数据结构》第六章 树和二叉树 笔记整理(自用)

《数据结构》第六章 树和二叉树 笔记整理 本章要求 1.二叉树的概念、性质、存储结构 2.熟练掌握二叉树的前、中、后序遍历方法及代码 3.熟练掌握哈夫曼树的实现方法、构造哈弗曼编码的方法 4.了解森林与二叉树的转换,树的遍历 文章目录本章要求1.二叉树的概念、**性质**、存储结构2.熟练掌握二叉树的**前、中、后序遍历**方法及代码3.熟练掌握**哈夫曼树**的实现方法、**构造哈弗曼编码**的方法4.了解森林与二叉树的转换,树的遍历前言一、树、二叉树的相关术语二、二叉树1.二叉树的定义和特点2.特殊二叉

Charlotte的博客 718

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

浙大数据结构——3.3二叉树的遍历

二叉树的递归遍历 (1)先序遍历(父、左、右) void PreOrderTraversal(BinTree BT){ if(BT){ printf("%d",BT->Data); PreOrderTraversal(BT->Left); PreOrderTraversal(BT->Right); } } (2)中序遍历(左、父、右) void Pr...

Hillbox 546

浙大数据结构:还原二叉树

7-1 还原二叉树 (8 分) 给定一棵二叉树的先序遍历序列和中序遍历序列,要求计算该二叉树的高度。 输入格式: 输入首先给出正整数N(≤50),为树中结点总数。下面两行先后给出先序和中序遍历序列,均是长度为N的不包含重复英文字母(区别大小写)的字符串。 输出格式: 输出为一个整数,即该二叉树的高度。 输入样例: 9 ABDFGHIEC FDHGIBEAC 输出样例: 5 代码 这里还添加了把整...

qq_35299223的博客 433

C语言版二叉树构造&&遍历

二叉树构造&amp;amp;&amp;amp;遍历 基于二分搜索的启发,将查找的复杂度由朴素的O(n) 降低至 O(log n),故产生此数据结构 : 二叉树。 二叉树有两种构造方式,一种是顺序存储格式,也就是用数组来存储;另一种是链表。 他们的优缺点和线性表中几乎一样: 数组支持随机存取,实现简单,结构直观,缺点是添加删除不便,而且空间固定,不易修改,要么不足,要么浪费。 链式的结构复杂,遍历需要算法,...

Dawn-K の Blog 3260

数据结构(三)—— 树(3):二叉树的遍历

3. 二叉树的遍历3.1 二叉树的递归遍历3.2 二叉树的非递归遍历3.3 层序遍历3.4 二叉树遍历的应用实例 3. 二叉树的遍历 3.1 二叉树的递归遍历   (1)先序遍历     遍历过程为:1. 访问根结点;           2. 先序遍历其左子树;           3. 先序遍历其右子树。 void PreOrderTraversal(BinTree BT) { if(BT) { cout << BT->Data << endl; .

大彤小忆的博客 2860
上一篇: 浙大数据结构习题笔记:02-线性结构1 两个有序链表序列的合并 (15分)
下一篇: 浙大数据结构习题笔记:03-树1 树的同构 (25分)
Jimobbb
博客等级 码龄7年 33粉丝 52原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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