小小的豪猪窝

摘要： 59.螺旋矩阵。给定矩阵的维度n，返回n×n的矩阵，其中数字按照顺时针的方式排列。这道题相对比较容易，可以直接按顺序进行数字的填入，只要判断好边界就可以了，加上填了数字的格子不能再填，可以认为是新的边界，需要每填完一行或一列之后对边界进行更新。 阅读全文

摘要： 47.全排列II。给定一个带有重复数字的数组，给出所有的不重复排列组合的情况。可以通过树的方式很好的理解并解决。按从前往后遍历的顺序，每往后遍历一个元素生成新的一层节点，该层各个节点为当前已遍历的所有元素的全排列，最终生成的叶子结点就是最终结果。因此可以使用递归的方法，实现层层遍历。要注意的是，因为有重复元素的存在，所以排列的时候要对重复元素进行去重。 阅读全文

摘要： 43.字符串相乘。给定两个数字字符串，给出相乘结果的字符串，规定不能使用大数类型或者直接转换成整数。由于不能直接转化成数字，首先想到将字符串逐位进行操作。于是可以借鉴乘法竖式的思想，将每位相乘的结果按照位数进行存储并相加得到结果。于是用数组进行存储，两个字符串从后往前遍历，在数组对应位置存储结果，再遍历数组，将进位往前相加，最后按位合成字符串并输出。 还有一个方法，运用kar... 阅读全文

摘要： 31.下一个排列。题目是给出一组数字的某种排列，要求给出下一个排列，并且还有空间上的要求。 首先可以知道的是，给定一个n个数字的组合，有n!种排列方式，所以很明显暴力破解不可取。而其实通过例子可以比较明显的看出其中的规律。先从较少的数字开始，比如[1,2,3]，下一个排列很明显是[1,3,2]，从这可以看出下一个排列中，肯定需要将较小的数字往后挪，或者说与较大的数字进行交换。... 阅读全文

摘要： 从理论到实践，才是完整的学习过程。 神经网络的提出，是从神经元开始的。从生物学意义上的神经元得到启发，感知机的概念被提了出来。感知机的原理就是对输入向量进行一定的计算，并通过激活函数得到更加能表达数据意义的内容。再从向量开始扩充，拓展到矩阵，以及更高维的张量。于是，全连接层被用来同时处理更多的数据。全连接层的实现方式主要有两种：张量形式和层形式。 张量形式主要是两步... 阅读全文

摘要： 29.两数相除。给定两个整数，实现整除运算。 题目本身不算难，但是要考虑的细节还是不少。首先是整形的溢出问题。题目设定是整形范围为-2^31~2^31-1，结果溢出时，输出结果2^31-1，因此对于-2^3除以-1这样的特殊情况，要考虑进去。然后就是实现算法的选择，最直观的算法就是用被除数不停的减去除数，直到不能再减，但是碰到较大的数的时候，会导致超时。于是想到用移位运算，先... 阅读全文

摘要： 19.删除链表的倒数第N个节点。给定一个链表和不大于链表长度的N，返回删除倒数第N个节点后的链表。 题目本身比较简单，能想到是用双指针解决。先将两个指针隔开N个节点，再一起向后移动至末尾。 具体实施起来有些地方需要注意：因为是链表，删除某一节点需要获得前一节点的指针，所以左指针移动到最后的时候应该指向的是删除节点的前一个节点，才能执行删除操作。有可能删除的节点正好是... 阅读全文

摘要： 终于在今天看完了机器学习的系列视频，入门就只剩下实践了。 对于神经网络来说，由于网络结构是一层层的，因此代价函数也是每层进行计算，将每层的代价值算出来后计算总和，再加上所有参数平方和，即得到了最终的代价值。而要计算梯度，即代价函数的偏导数，要用到反向传播的算法，即从输出层开始，用结果的偏离值以及每一层的参数，逐层计算，最终得到偏导数。 其中，有一些小细节。一个是如何... 阅读全文

摘要： 进一步认识git分支操作。 首先是HEAD引用。一般HEAD引用指向的是当前分支，但有时候需要从某一历史版本开始新的分支，这时候就需要移动HEAD引用，命令与移动分支节点一样是git checkout。改变引用时，可以直接输入哈希值进行移动，但比较繁琐，于是就需要使用相对引用。^表示从节点向上移动一个提交记录，~表示从节点向上移动num个提交记录。 再然后，如果不想... 阅读全文

摘要： 今天主要学习的是有关tensorflow类型以及部分操作的东西。 tensorflow主要是对张量(tensor)类型进行操作，可以细分为标量、向量、矩阵以及狭义上的张量，分别表示0维、1维、2维、高维数据。 除此之外，tensorflow提供了Variable对象用于构建需要进行梯度优化的变量，包含name、trainable等属性。 针对张量，tens... 阅读全文