自己做出——重排链表(含我常犯原地逆置链表的错误(回文链表中遇到过),含我自己思路;含链表合并(知识点))规范+不规范写法 以及我对于链表内存地址的理解

给定一个单链表 L:L0→L1→…→Ln-1→Ln ,
将其重新排列后变为: L0→Ln→L1→Ln-1→L2→Ln-2→…

你不能只是单纯的改变节点内部的值,而是需要实际的进行节点交换。

示例 1:

给定链表 1->2->3->4, 重新排列为 1->4->2->3.

示例 2:

给定链表 1->2->3->4->5, 重新排列为 1->5->2->4->3.

 

具体看注释:

我还想说的一件事是,逆置,每个结点的内存地址没变,只是内存间相互指的顺序变,但那又什么关系呢?没关系。

/**
 * Definition for singly-linked list.
 * struct ListNode {
 *     int val;
 *     ListNode *next;
 *     ListNode() : val(0), next(nullptr) {}
 *     ListNode(int x) : val(x), next(nullptr) {}
 *     ListNode(int x, ListNode *next) : val(x), next(next) {}
 * };
 */
class Solution {
public:
    void reorderList(ListNode* head) {
        //链表首先考虑为空或者只有一个结点的情况。
        if(head==NULL||head->next==NULL) return ;
        //那就逆置一半
        //先快慢指针找到中点
        ListNode *slow=head;
        ListNode *fast=head;
        ListNode *pre;
        while(fast&&fast->next)
        {
            pre=slow;
            slow=slow->next;
            fast=fast->next->next;
        }
        //奇数的话经过上面,slow正好在中点上,偶数的话没有中点,就在靠后一个即n/2+1处
        
        /*对的,但不规范。
        pre->next=reverse(slow);//逆转slow及以后。
        ListNode *last=pre->next;//这个原来的slow的位置变成Ln
        pre->next=NULL;//断开前后
        cout<<last->val<<endl;
        //取到后半部分之后就可以从头开始插入啦
        ListNode *p=head;
        //验证后半部分
       // while(last)
       // {
       //     cout<<last->val<<" ";
        //    last=last->next;
        //}
        //验证前半部分
        //while(p)
        //{
        //    cout<<p->val<<" ";
        //    p=p->next;
        //}
        while(p->next)
        {
            //pre2=p;
            ListNode *lastnext=last->next;
            last->next=p->next;
            p->next=last;
            p=last->next;
            last=lastnext;
        }
        p->next=last;*/
        //又对又规范,没有带着中点逆转,而是指逆转了终点之后的部分。我分析了,slow->next最多为NULL,经过上面的判断,不会有slow为NULL出现slow->next空指针的情况,所以对的。
        cout<<slow->val<<endl;
        slow->next=reverse(slow->next);//只逆转slow以后的部分。
        ListNode *last=slow->next;
        slow->next=NULL;//断开前后!!!!!
        //cout<<last->val<<endl;
        //取到后半部分之后就可以从头开始插入啦
        ListNode *p=head;
        //本来的话这样分3步合并两个链表是没有问题的。
        //但是这个题奇数的时候因为我们前面是从中点就开始反转,把中点翻转到last那边了,所以不行,所以用上面那个,p的后面到了null,接上没到null的last.而之所以是p->next而不是p,是为了好接,到p=NULL的时候就晚了,就需要再存一个pre才能接上了。
        
        while(p&&last)
        {
            ListNode *lastnext=last->next;
            ListNode *pnext=p->next;

            p->next=last;
            p=pnext;

            last->next=p;
            last=lastnext;
        }
        

        /*下面典型错误(当然注释没错),想直接逆置整个表。错在哪呢?这样的话原来整个表就没了。
        //实际上就是把Ln和Ln-1依次插入到L0和L1、L1和L2....之间。
        ListNode *t=head;
        ListNode *rhead=reverse(t);
        ListNode *rp=rhead;
        ListNode *p=head;
        //验证逆置是否成功,成功。
        //因为是原地逆置,所以是不是原来的已经不在了。是的!所以就不可行。
        //while(rp)
        //{
        //    cout<<rp->val<<endl;
        //    rp=rp->next;
        //}
        //验证原来的链表是不是变了。
        //while(p)
        //{
        //    cout<<p->val<<endl;
        //    p=p->next;
        //}
        //合并两个链表。
        while(p)//我觉得应该是p先到。
        {
            ListNode *pnext=p->next;
            ListNode *rpnext=rp->next;
            p->next=rp;
            rp->next=pnext;
            rp=rpnext;
            p=pnext;
        }
        */
        
    }
    ListNode *reverse(ListNode *head)
    {
        ListNode *pre=NULL;
        ListNode *cur=head;
        ListNode *next;
        while(cur)
        {
            next=cur->next;
            cur->next=pre;
            pre=cur;
            cur=next;
        }
        return pre;
    }
};

 

### 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