二叉排序树完整代码

这篇博客详细介绍了如何使用C++实现二叉排序树,包括在`tree.h`中声明相关函数,在`tree.cpp`中实现这些函数,以及在`main.cpp`中作为主程序进行测试。

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

tree.h(存放函数声明):

#pragma once
#include<vector>
#include<iostream>
using namespace std;
typedef struct BiTree {
   
   																											//所用的二叉树数据结构
	int key;																															//键值
	BiTree* left;																														//左子树
	BiTree* right;																													//右子树
	BiTree* parent;																													//父结点
}BiTree;

//创造一个二叉树结点
BiTree* createBiNode();

//新插入一个结点至二叉树,且每次返回根结点(也用于创建二叉树)
BiTree* &Insert(BiTree* &root, BiTree* node);

//递归遍历
void midTrav(BiTree* root);																										//递归中序遍历
void preTrav(BiTree* root);																										//递归先序遍历
void lastTrav(BiTree* root);																										//递归后序遍历
//非递归
void midTrav_notRe(BiTree* root);																								//非递归中序遍历
void preTrav_notRe(BiTree* root);																								//非递归先序遍历
void lastTrav_notRe(BiTree* root);																								//非递归后序遍历

//查找最大值和最小值
BiTree* maxValue(BiTree* root);																								//查找最大值
BiTree* minValue(BiTree* root);																								//查找最小值

//寻找前驱和后继
BiTree* findNode(BiTree* root, int value);																					//工具函数 查找到某个结点并返回其地址
BiTree* predecessorNode(BiTree* root, int value);																			//查找前驱
BiTree* successorNode(BiTree* root, int value);																				//查找后继

//二叉树的删除
BiTree* deleteNode(BiTree* root, int value);																					//删除结点
//测试工具,Perm:生成全排列,createBiNodeTest:有参数形式创建结点函数
void swap(int& a, int& b);
void Perm(vector<int> vec, int b, int e);
BiTree* createBiNodeTest(int value);
int factorial(int n);
void testDelete();	

tree.cpp(存放函数实现):

#include"tree.h"
#include<iostream>
#include<stack>																													//注意这里用到了stl库中的stack
#include<Windows.h>
#include<conio.h>
using namespace std;

//创造一个二叉树结点
BiTree* createBiNode() {
   
   
	BiTree* node = new BiTree;
	node->left = node->right = node->parent = NULL;
	cout << "输入新结点key值:";
	cin >> node->key;
	return node;
}

//插入结点,返回根结点(也用于创建二叉树)
BiTree* &Insert(BiTree* &root, BiTree* node) {
   
   
	BiTree* parent = NULL;
	BiTree* child = root;
	while (child) {
   
   
		parent = child;																												//child是实际遍历的结点,parent用来保存应该插入位置的父结点
		child = node->key < child->key ? child->left : child->right;
	}
	node->parent = parent;	//当root是空的时候,令node->parent = parent即赋NULL。当root不是空的时候,令node->parent = parent即链接到父结点。
	if (!parent)																														//如果parent是空,说明该树是空树
		root = node;
	else if (node->key < parent->key)
		parent->left = node;
	else
		parent->right = node;
	return root;
}

//下面是遍历
//递归中序遍历
void midTrav(BiTree* root) {
   
   
	if (root) {
   
   
		midTrav(root->left);
		cout << root->key << " ";
		midTrav(root->right);
	}
}
//递归先序遍历
void preTrav(BiTree* root) {
   
   
	if (root) {
   
   
		cout << root->key << " ";
		
内容概要:本文详细比较了GPU、TPU专用AI芯片在大模型推理优化方面的性能、成本及适用场景。GPU以其强大的并行计算能力和高带宽显存,适用于多种类型的神经网络模型和计算任务,尤其适合快速原型开发和边缘计算设备。TPU专为机器学习设计,擅长处理大规模矩阵运算密集型任务,如Transformer模型的推理,具有高吞吐量和低延迟特性,适用于自然语言处理和大规模数据中心的推理任务。专用AI芯片通过高度定制化架构,针对特定神经网络模型进行优化,如卷积神经网络(CNN),在处理特定任务时表现出色,同时具备低功耗和高能效比的优势,适用于边缘计算设备。文章还介绍了各自的优化工具和框架,如CUDA、TensorRT、TPU编译器等,并从硬件成本、运营成本和开发成本三个角度进行了成本对比。 适合人群:从事人工智能、深度学习领域的研究人员和技术人员,尤其是对大模型推理优化感兴趣的读者。 使用场景及目标:①帮助读者理解GPU、TPU和专用AI芯片在大模型推理中的优缺点;②为选择适合的硬件平台提供参考依据,以实现最优的推理性能和成本效益;③介绍各种优化工具和框架,帮助开发者高效部署和优化模型。 其他说明:本文不仅涵盖了硬件架构特性,还深入探讨了优化技术和应用场景,旨在为读者提供全面的技术参考。在选择硬件平台时,需综合考虑具体任务需求、预算限制及开发资源等因素。
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