如何学好算法

深度学习算法训练和部署流程介绍--让初学者一篇文章理解算法训练和部署流程 阅读详情
这是关于如何学好算法

第一阶段:练经典常用算法,下面的每个算法给我打上十到二十遍,同时自己精简代码, 
因为太常用,所以要练到写时不用想,10-15分钟内打完,甚至关掉显示器都可以把程序打 
出来. 
1.最短路(Floyd、Dijstra,BellmanFord) 
2.最小生成树(先写个prim,kruscal要用并查集,不好写) 
3.大数(高精度)加减乘除 
4.二分查找. (代码可在五行以内) 
5.叉乘、判线段相交、然后写个凸包. 
6.BFS、DFS,同时熟练hash表(要熟,要灵活,代码要简) 
7.数学上的有:辗转相除(两行内),线段交点、多角形面积公式. 
8. 调用系统的qsort, 技巧很多,慢慢掌握. 
9. 任意进制间的转换 
 
第二阶段:练习复杂一点,但也较常用的算法。 
如: 
1. 二分图匹配(匈牙利),最小路径覆盖 
2. 网络流,最小费用流。 
3. 线段树. 
4. 并查集。 
5. 熟悉动态规划的各个典型:LCS、最长递增子串、三角剖分、记忆化dp 
6.博弈类算法。博弈树,二进制法等。 
7.最大团,最大独立集。 
8.判断点在多边形内。 
9. 差分约束系统. 
10. 双向广度搜索、A*算法,最小耗散优先. 
 
 
相关的知识 
 
图论 
 
  路径问题 
        0/1边权最短路径 
        BFS 
        非负边权最短路径(Dijkstra) 
            可以用Dijkstra解决问题的特征 
        负边权最短路径 
        Bellman-Ford 
            Bellman-Ford的Yen-氏优化 
            差分约束系统 
        Floyd 
            广义路径问题 
            传递闭包 
            极小极大距离 / 极大极小距离 
        Euler Path / Tour 
            圈套圈算法 
            混合图的 Euler Path / Tour 
        Hamilton Path / Tour 
            特殊图的Hamilton Path / Tour 构造 
 
    生成树问题 
        最小生成树 
        第k小生成树 
        最优比率生成树 
        0/1分数规划 
        度限制生成树 
 
    连通性问题 
        强大的DFS算法 
        无向图连通性 
            割点 
            割边 
            二连通分支 
            有向图连通性 
            强连通分支 
            2-SAT 
            最小点基 
 
    有向无环图 
        拓扑排序 
            有向无环图与动态规划的关系 
 
    二分图匹配问题 
        一般图问题与二分图问题的转换思路 
        最大匹配 
            有向图的最小路径覆盖 
            0 / 1矩阵的最小覆盖 
        完备匹配 
        最优匹配 
        稳定婚姻 
 
    网络流问题 
        网络流模型的简单特征和与线性规划的关系 
        最大流最小割定理 
        最大流问题 
            有上下界的最大流问题 
                循环流 
        最小费用最大流 / 最大费用最大流 
 
    弦图的性质和判定 
 
 
组合数学 
 
    解决组合数学问题时常用的思想 
        逼近 
        递推 / 动态规划 
    概率问题 
        Polya定理 
 
 
计算几何 / 解析几何 
 
    计算几何的核心:叉积 / 面积 
    解析几何的主力:复数 
 
    基本形 
        点 
        直线,线段 
        多边形 
 
    凸多边形 / 凸包 
        凸包算法的引进,卷包裹法 
 
    Graham扫描法 
        水平序的引进,共线凸包的补丁 
 
    完美凸包算法 
 
    相关判定 
        两直线相交 
        两线段相交 
        点在任意多边形内的判定 
        点在凸多边形内的判定 
 
    经典问题 
        最小外接圆 
            近似O(n)的最小外接圆算法 
        点集直径 
            旋转卡壳,对踵点 
        多边形的三角剖分 
 
 
数学 / 数论 
 
  最大公约数 
        Euclid算法 
            扩展的Euclid算法 
                同余方程 / 二元一次不定方程 
                同余方程组 
 
    线性方程组 
        高斯消元法 
            解mod 2域上的线性方程组 
        整系数方程组的精确解法 
 
    矩阵 
        行列式的计算 
            利用矩阵乘法快速计算递推关系 
 
    分数 
        分数树 
        连分数逼近 
 
    数论计算 
        求N的约数个数 
        求phi(N) 
        求约数和 
        快速数论变换 
        …… 
 
    素数问题 
        概率判素算法 
        概率因子分解 
 
 
数据结构 
 
    组织结构 
        二叉堆 
        左偏树 
        二项树 
        胜者树 
        跳跃表 
        样式图标 
        斜堆 
        reap 
 
    统计结构 
        树状数组 
        虚二叉树 
        线段树 
            矩形面积并 
            圆形面积并 
 
    关系结构 
        Hash表 
        并查集 
            路径压缩思想的应用 
 
    STL中的数据结构 
        vector 
        deque 
        set / map 
 
 
动态规划 / 记忆化搜索 
 
  动态规划和记忆化搜索在思考方式上的区别 
 
    最长子序列系列问题 
        最长不下降子序列 
        最长公共子序列 
        最长公共不下降子序列 
 
    一类NP问题的动态规划解法 
 
    树型动态规划 
 
    背包问题 
 
    动态规划的优化 
        四边形不等式 
        函数的凸凹性 
        状态设计 
        规划方向 
 
 
线性规划 
 
常用思想 
 
    二分          最小表示法 
 
串 
 
    KMP                              Trie结构 
    后缀树/后缀数组            LCA/RMQ 
    有限状态自动机理论 
 
排序 
    选择/冒泡        快速排序        堆排序            归并排序 
    基数排序        拓扑排序        排序网络 
 
 
中级: 
一.基本算法: 
    (1)C++的标准模版库的应用. (poj3096,poj3007) 
    (2)较为复杂的模拟题的训练(poj3393,poj1472,poj3371,poj1027,poj2706) 
二.图算法: 
    (1)差分约束系统的建立和求解. (poj1201,poj2983) 
    (2)最小费用最大流(poj2516,poj2516,poj2195) 
    (3)双连通分量(poj2942) 
    (4)强连通分支及其缩点.(poj2186) 
    (5)图的割边和割点(poj3352) 
    (6)最小割模型、网络流规约(poj3308, ) 
三.数据结构. 
    (1)线段树. (poj2528,poj2828,poj2777,poj2886,poj2750) 
    (2)静态二叉检索树. (poj2482,poj2352) 
    (3)树状树组(poj1195,poj3321) 
    (4)RMQ. (poj3264,poj3368) 
    (5)并查集的高级应用. (poj1703,2492) 
    (6)KMP算法. (poj1961,poj2406) 
四.搜索 
    (1)最优化剪枝和可行性剪枝 
    (2)搜索的技巧和优化 (poj3411,poj1724) 
    (3)记忆化搜索(poj3373,poj1691) 
 
五.动态规划 
    (1)较为复杂的动态规划(如动态规划解特别的施行商问题等) 
        (poj1191,poj1054,poj3280,poj2029,poj2948,poj1925,poj3034) 
    (2)记录状态的动态规划. (POJ3254,poj2411,poj1185) 
    (3)树型动态规划(poj2057,poj1947,poj2486,poj3140) 
六.数学 
    (1)组合数学: 
        1.容斥原理. 
        2.抽屉原理. 
        3.置换群与Polya定理(poj1286,poj2409,poj3270,poj1026). 
        4.递推关系和母函数. 
 
    (2)数学. 
        1.高斯消元法(poj2947,poj1487, poj2065,poj1166,poj1222) 
        2.概率问题. (poj3071,poj3440) 
        3.GCD、扩展的欧几里德(中国剩余定理) (poj3101) 
    (3)计算方法. 
        1.0/1分数规划. (poj2976) 
        2.三分法求解单峰(单谷)的极值. 
        3.矩阵法(poj3150,poj3422,poj3070) 
        4.迭代逼近(poj3301) 
    (4)随机化算法(poj3318,poj2454) 
    (5)杂题. 
        (poj1870,poj3296,poj3286,poj1095) 
七.计算几何学. 
        (1)坐标离散化. 
        (2)扫描线算法(例如求矩形的面积和周长并,常和线段树或堆一起使用). 
            (poj1765,poj1177,poj1151,poj3277,poj2280,poj3004) 
        (3)多边形的内核(半平面交)(poj3130,poj3335) 
        (4)几何工具的综合应用.(poj1819,poj1066,poj2043,poj3227,poj2165,poj3429) 
 
 
高级: 
一.基本算法要求:  
      (1)代码快速写成,精简但不失风格  
          (poj2525,poj1684,poj1421,poj1048,poj2050,poj3306) 
      (2)保证正确性和高效性. poj3434 
二.图算法: 
      (1)度限制最小生成树和第K最短路. (poj1639) 
      (2)最短路,最小生成树,二分图,最大流问题的相关理论(主要是模型建立和求解) 
        (poj3155, poj2112,poj1966,poj3281,poj1087,poj2289,poj3216,poj2446 
      (3)最优比率生成树. (poj2728) 
      (4)最小树形图(poj3164) 
      (5)次小生成树. 
      (6)无向图、有向图的最小环    
三.数据结构.  
      (1)trie图的建立和应用. (poj2778) 
      (2)LCA和RMQ问题(LCA(最近公共祖先问题) 有离线算法(并查集+dfs) 和在线算法 
          (RMQ+dfs)).(poj1330) 
      (3)双端队列和它的应用(维护一个单调的队列,常常在动态规划中起到优化状态转移的 
          目的). (poj2823) 
      (4)左偏树(可合并堆).  
      (5)后缀树(非常有用的数据结构,也是赛区考题的热点). 
        (poj3415,poj3294) 
四.搜索  
      (1)较麻烦的搜索题目训练(poj1069,poj3322,poj1475,poj1924,poj2049,poj3426) 
      (2)广搜的状态优化:利用M进制数存储状态、转化为串用hash表判重、按位压缩存储状态、双向广搜、A*算法. (poj1768,poj1184,poj1872,poj1324,poj2046,poj1482) 
      (3)深搜的优化:尽量用位运算、一定要加剪枝、函数参数尽可能少、层数不易过大、可以考虑双向搜索或者是轮换搜索、IDA*算法. (poj3131,poj2870,poj2286) 
五.动态规划  
      (1)需要用数据结构优化的动态规划. 
        (poj2754,poj3378,poj3017) 
      (2)四边形不等式理论. 
      (3)较难的状态DP(poj3133) 
六.数学  
      (1)组合数学. 
        1.MoBius反演(poj2888,poj2154) 
        2.偏序关系理论. 
      (2)博奕论. 
        1.极大极小过程(poj3317,poj1085) 
        2.Nim问题. 
七.计算几何学.  
      (1)半平面求交(poj3384,poj2540) 
      (2)可视图的建立(poj2966) 
      (3)点集最小圆覆盖. 
      (4)对踵点(poj2079) 
      八.综合题. 
      (poj3109,poj1478,poj1462,poj2729,poj2048,poj3336,poj3315,poj2148,poj1263) 
 
初期: 
一.基本算法: 
    (1)枚举. (poj1753,poj2965) (2)贪心(poj1328,poj2109,poj2586) 
    (3)递归和分治法.                  (4)递推. 
    (5)构造法.(poj3295)            (6)模拟法.(poj1068,poj2632,poj1573,poj2993,poj2996) 
二.图算法: 
    (1)图的深度优先遍历和广度优先遍历. 
    (2)最短路径算法(dijkstra,bellman-ford,floyd,heap+dijkstra) 
        (poj1860,poj3259,poj1062,poj2253,poj1125,poj2240) 
    (3)最小生成树算法(prim,kruskal) 
        (poj1789,poj2485,poj1258,poj3026) 
    (4)拓扑排序 (poj1094) 
    (5)二分图的最大匹配 (匈牙利算法) (poj3041,poj3020) 
    (6)最大流的增广路算法(KM算法). (poj1459,poj3436) 
三.数据结构. 
    (1)串 (poj1035,poj3080,poj1936) 
    (2)排序(快排、归并排(与逆序数有关)、堆排) (poj2388,poj2299) 
    (3)简单并查集的应用. 
    (4)哈希表和二分查找等高效查找法(数的Hash,串的Hash)    
        (poj3349,poj3274,POJ2151,poj1840,poj2002,poj2503) 
    (5)哈夫曼树(poj3253) 
    (6)堆 
    (7)trie树(静态建树、动态建树) (poj2513) 
四.简单搜索 
    (1)深度优先搜索 (poj2488,poj3083,poj3009,poj1321,poj2251) 
    (2)广度优先搜索(poj3278,poj1426,poj3126,poj3087.poj3414) 
    (3)简单搜索技巧和剪枝(poj2531,poj1416,poj2676,1129) 
五.动态规划 
    (1)背包问题. (poj1837,poj1276) 
    (2)型如下表的简单DP(可参考lrj的书 page149): 
      1.E[j]=opt{D+w(i,j)} (poj3267,poj1836,poj1260,poj2533) 
      2.E[i,j]=opt{D[i-1,j]+xi,D[i,j-1]+yj,D[i-1][j-1]+zij} (最长公共子序列)    
        (poj3176,poj1080,poj1159) 
      3.C[i,j]=w[i,j]+opt{C[i,k-1]+C[k,j]}.(最优二分检索树问题) 
六.数学 
    (1)组合数学: 
        1.加法原理和乘法原理. 
        2.排列组合. 
        3.递推关系. 
          (POJ3252,poj1850,poj1019,poj1942) 
    (2)数论. 
        1.素数与整除问题 
        2.进制位. 
        3.同余模运算. 
          (poj2635, poj3292,poj1845,poj2115) 
    (3)计算方法. 
        1.二分法求解单调函数相关知识.(poj3273,poj3258,poj1905,poj3122) 
七.计算几何学. 
    (1)几何公式. 
    (2)叉积和点积的运用(如线段相交的判定,点到线段的距离等). (poj2031,poj1039) 
    (3)多边型的简单算法(求面积)和相关判定(点在多边型内,多边型是否相交) 
        (poj1408,poj1584) 
    (4)凸包. (poj2187,poj1113)

ACM算法学习路线、清单 算法与数据结构学习路线 阅读详情

相关推荐

平面点群最小包络圆模型与计算(含matlab源码)

平面点群最小包络圆模型与计算 1 问题描述 很多材料与口头表述中出现了这样一个句子:“求多边形最小外接圆”。事实上这样的描述是不准确的,多边形的外接圆指与多边形各顶点都相交的圆,若多边形存在外接圆,则外接圆唯一。这句话想表明的意思切确的来说,应该解释为求一个最小的圆,能够覆盖整个多边形。在探讨任意多边形的覆盖问题时,用平面点群来取代多边形,则更具备普适性。因此可将原问题转化为:“求平面点群最小

我是小O 5684

算法复习 转帖

第一阶段:练经典常用算法,下面的每个算法给我打上十到二十遍,同时自己精简代码, 因为太常用,所以要练到写时不用想,10-15分钟内打完,甚至关掉显示器都可以把程序打 出来. 1.最短路(Floyd、Dijstra,BellmanFord) 2.最小生成树 (先写个prim,kruscal要用并查集,不好写) 3.大数(高精度)加减乘除 4.二分查找. (代码可在五行以内) 5. 叉乘...

一粒风尘 2269

如何学好算法—算法往事:关于计算的那些事

算法是计算机科学的核心,掌握算法不仅能够提升解决问题的能力,还能帮助我们在实际项目中做出高效的决策。然而,许多学习者常常在学习过程中感到迷茫,不知道从哪里入手,或者在遇到问题时缺乏足够的思考能力。本文将从理论、实践和心态三个方面,为大家提供一条清晰的学习算法之路。

一键难忘的博客 6198

【算法】刷题路线(系统+全面)

本系列基于当前各大公司对大公司的考察情况,给大家规划一条可行的算法刷题路线,大概会规划 200 道自认为有用的题,并且争取让初学者,能够刷起来更加丝滑,而且每个阶段都会进行相对应的说明。当然,无论是面试还是笔试,你也完全可以按照这个路线来,应付大公司算法面试是够的了。

wufaqidong1的博客 7951

基于OkHttp3+Retrofit2+RxJava3搭建响应式网络框架

本文介绍了一个基于OkHttp3+Retrofit3+RxJava3的响应式网络框架设计。该框架采用分层架构,OkHttp3负责底层网络请求,Retrofit3封装HTTP接口,RxJava3实现响应式流处理。核心亮点包括:1)高度解耦的分层设计;2)统一的异常处理和响应体封装;3)RxJava3实现线程切换和请求管理;4)MVVM架构适配,业务层只需关注数据逻辑。框架提供了完整的实现方案,包括全局配置、拦截器、响应转换、接口声明、仓库封装等组件,并支持生产环境扩展功能如Cookie持久化、Token刷新等

fuge2008的博客 870

华为云Stack 8.X 流量模型分析(一)

​ 当内部需要提供对外服务时(如对外发布Web网站),外部地址发起主动连接,由路由器或者防火墙上的网关接收这个连接,然后将连接转换到内部,此过程是由带有公网IP的网关替代内部服务来接收外部的连接,然后在内部做地址转换,此转换称为DNAT,主要用于内部服务对外发布。​ 内部地址要访问公网上的服务时(如Web访问),内部地址会主动发起连接,由路由器或者防火墙上的网关对内部地址做个地址转换,将内部地址的私有IP转换为公网的公有IP,网关的这个地址转换称为SNAT,主要用于内部共享IP访问外部。

Ciyaso的博客 3243

如何学好数据结构与算法

各说各的,讲算法设计时就假设你已经对数据结构了如指掌,还没有哪一本算法书很好的解决这两个困难,传统的算法书,大多注重内容的收录,但却忽视思维过程的展示,因此我们学习了经典的算法,却费解于算法设计的过程。遇到一个实际问题,通过问题分析,选择使用什么样的算法策略,基于这种算法策略选择什么样的数据结构,有时算法策略和数据结构的选择并不是唯一的,不同的算法策略和数据结构设计的算法,其复杂性是不同的。算法实现可以用任何语言,所以不必纠结是C,C++,Java,Python,更不必管严格的语法规则,除非你要上机调试。

caihuayuan5的博客 990

Pixhawk变砖自救指南:从DFU模式到固件重刷全流程(附2.4.8实测)

本文详细介绍了Pixhawk飞控变砖后的自救方法,从DFU模式进入、固件重刷到高级恢复技巧全流程。特别针对国产版本boot0引脚未引出的特殊情况提供了解决方案,帮助用户通过QGC或Mission Planner地面站工具恢复飞控功能,适用于2.4.8等常见固件版本。

weixin_29168813的博客 337

学好算法,BAT 再也不是梦

不知不觉说了好多,改天有空的时候再写一篇文章,如何学好算法,以及整理算法常见的题目。有兴趣的可以关注我的下面开始进入正题,本期为大家整理了剑指offer的全部算法题目,全部用 java 语言实现。目录题外话最后再啰嗦一句,大家有兴趣的可以关注我的微信公众号,这个仓库会不断更新,主要是更新面试相关的东西。包括面试经验,算法等等。

2401_84121958的博客 888

abaqus wcm插件下载_Abaqus随机短纤维增强复合材料建模插件

文末附Abaqus随机短纤维增强复合材料建模插件下载链接前言短纤维增强复合材料相对于长纤维增强复合材料来说更容易制备,且短纤维的填充性能略有改善,可制造复杂产品,广泛应用于车辆、航空航天、建筑等行业,对短纤维增强复合材料进行细观力学分析,可对其宏观力学性能进行预测、分析破坏机理等。接下来对随机短纤维增强复合材料建模插件进行介绍。NO.1 【算法简介】难点一:此插件核心在于判断生成的纤维是...

weixin_39974882的博客 2833

无线Mesh组网全攻略:从原理、部署到调优与排障

对于布线困难的大户型、复式楼或园区,传统的无线中继往往面临带宽减半和链路不稳定的问题。无线Mesh网络通过多跳转发与自组织路由,让每个节点无需网线即可协作扩展覆盖,并依靠动态路径选择实现自愈。其核心技术涉及802.11s、HWMP路由协议,以及802.11k/v/r协同的无缝漫游,能有效提升终端切换体验。在实际部署中,设备选型、回程频段规划与布点位置直接决定网络质量。围绕无线Mesh的组网原理、设备选型、配置调优与故障排查,提供一套工程实践参考,帮助用户在复杂环境下构建稳定高效的无缝覆盖。

weixin_34098209的博客 270

我一定要学好算法

   这几天我都在自学数据结构和算法.每天都是编程.我觉得我不可能把习题的每一道题都编完的.我不太晓得怎么样去学好他。我的计划是我先把他学一遍.以后在学一遍,因为我有两本教材.我都觉得他们很好.现在我觉得我应该不能每章的编好多的程序.其实只要把课本的最基本的学好,我想就差不多了。以后每天编一个两个的好一点.现在每个都编没什么时间.我想我在这个暑假就把这个数据结构学完.下个学期.就学那本.和

Gary·hou专栏 684

【AUTOSAR SystemServices】深入解析StbM模块:功能定义、工作原理与代码实现

STBM模块:AUTOSAR同步时基管理核心解析 STBM(同步时基管理器)是AUTOSAR标准中实现车载系统时间同步的关键模块,主要功能包括: 时间基准管理:支持全局时基、偏移时基和纯本地时基三种类型,通过StbM_SetGlobalTime和StbM_SetOffset实现主从节点同步。 校正机制:采用偏移校正和速率校正算法(PPM级精度)补偿时钟偏差,确保多ECU时间一致性。 事件处理:监控时间跳变和超时事件,通过回调机制通知上层应用。 典型应用:用于CAN/Ethernet总线同步、时间触发调度及诊

1458

这是关于如何学好算法

这是关于如何学好算法 第一阶段:练经典常用算法,下面的每个算法给我打上十到二十遍,同时自己精简代码,  因为太常用,所以要练到写时不用想,10-15分钟内打完,甚至关掉显示器都可以把程序打  出来.  1.最短路(Floyd、Dijstra,BellmanFord)  2.最小生成树(先写个prim,kruscal要用并查集,不好写)  3.大数(高精度)加减乘除  4.二分查找

u013244517的专栏 407

AUTOSAR 3万字面试题全面解析(持续更新)

ECU抽象层(EAL)是AUTOSAR架构中的一部分,它位于微控制器抽象层(MCAL)之下,但通常与MCAL一起被提及。EAL的目标是提供一个统一的接口来访问和管理ECU(Electronic Control Unit,电子控制单元)的硬件资源,包括处理器、存储器和外围设备。通过这种抽象,EAL使得上层软件能够以一种标准化的方式与ECU硬件交互,而不需要关心具体的硬件实现细节。EAL解决了硬件异构性带来的问题,即不同ECU可能采用不同类型的处理器和硬件配置。

大模型大数据攻城狮的专栏 5607

YOLOv9原创自研:卷积魔改 | 一种新颖的风车形卷积(PConv)融合注意力机制,加强微弱小目标检测能力

为了进一步提升小目标检测能力,风车形卷积(PConv)融合注意力机制进一步提升小目标检测能力

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 361

算法的本质是什么?程序员如何学好算法?

这几年来,小灰一直在用漫画的形式分享算法知识,每一次所分享的,都是一个具体的算法知识点。今天,让我从宏观的角度来讲一讲,算法到底是什么?如何来学好算法。1. 算法是什么所谓算法,指的是解决...

程序员小灰的博客 6910

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

什么是算法?怎样可以学好算法?

大家好,我是程序员小灰。在过去,小灰一直在公众号上分享各种各样的算法漫画,今天我们来从全局视角讲一讲,究竟什么是算法。什么是算法呢?所谓算法,就是解决问题的一系列方法。算法并不是一个新鲜的概念,从我们老祖宗生活的时代,人们就一直在发明和应用各种各样的算法。比如南北朝时期的著名数学家祖冲之,利用割圆术近似求解出了圆周率。再比如古希腊数学家泰勒斯,利用相似三角形的原理推算出了埃及胡夫金字塔的高度。祖冲...

程序员小灰的博客 642

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

学习人工智能必须学习算法,那要怎样才能学好算法?

详细介绍了常见的八大数据结构。后面都是我们比较常见的算法题,其中包括了二叉树的Morris遍历,KMP算法,马拉车算法等经典题型。 关于数据结构,大家普遍认为难度较大的可能就是图了,本书对图的分类,图的表示方式,图的遍历,以及图的各种经典算法比如迪杰斯特拉算法,普里姆算法,拓扑排序等都有大量介绍。

陈橘又青的博客 1万+

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")

怎么算学好算法

在我看来,如果真正学会了这个知识,就应该会把这个知识讲出来,像老师教授学生知识一样,仔仔细细明明白白的讲出来。如果有哪个知识点讲不出来,就说明你还没有完全掌握,还需要更进一步学习加深。 ...

elhee的博客 1193

什么是算法?程序员如何学好算法?

通过合理的学习计划,多种学习资源的结合使用,理论与实践的相结合,记录和总结以及寻求帮助和反馈,程序员可以提高自己的算法学习效率,从而更好地应对复杂的编程挑战。同时,也要积极记录和总结自己在刷题和实践项目中的心得体会,形成学习笔记和技术文档,方便日后复习和查阅。通过学习他人的代码,可以了解不同的编码风格、设计模式和最佳实践,从而提升自己的编程能力。通过解决实际的问题和参与编程竞赛,程序员可以将所学的算法应用到实际场景中,并不断地提升自己的技能。记录和总结:在学习算法的过程中,程序员应该养成记录和总结的习惯。

都会一点点的博客 1281
上一篇: C++ 虚函数表解析
下一篇: ZOJ Problem Set - 2348
Scutware
博客等级 码龄14年 4粉丝 5原创
评论 2
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