上一页 1 2 3 4 5 6 ··· 54 下一页
摘要: 99. 恢复二叉搜索树 二叉搜索树有个性质就是终须遍历时肯定是升序排列。 1 2 5 4 3 可以看到如果乱序了,那么这两个乱序节点肯定是先大后小。对于第一个节点,它属于大的那个,对于第二个节点,它属于小的那个。 # Definition for a binary tree node. # clas 阅读全文
posted @ 2020-08-09 10:28 樱花庄的龙之介大人 阅读(184) 评论(0) 推荐(0) 编辑
摘要: main函数 ,加载数据以及训练。 import torch from sklearn.metrics import f1_score from utils import load_data, EarlyStopping def score(logits, labels): # micro_f1 和 阅读全文
posted @ 2020-08-03 17:05 樱花庄的龙之介大人 阅读(1788) 评论(2) 推荐(0) 编辑
摘要: 拼多多笔试: 第一题略。 第二题: 模拟每个骰子的旋转,对每个状态分组即可。 #include <bits/stdc++.h> using namespace std; int v[7][7][7][7][7][7]; int cnt = 0; bool vis[7]; void rotate(ve 阅读全文
posted @ 2020-08-02 21:04 樱花庄的龙之介大人 阅读(134) 评论(0) 推荐(0) 编辑
摘要: 852. 山脉数组的峰顶索引 二分法,如果当前a[m+1] > a[m], 那么m肯定不是峰顶, l = m+1, 否则 m+1肯定在峰顶右边 r = m; class Solution { public: int peakIndexInMountainArray(vector<int>& A) { 阅读全文
posted @ 2020-08-01 12:56 樱花庄的龙之介大人 阅读(111) 评论(0) 推荐(0) 编辑
摘要: 343. 整数拆分 题解: 动态规划, 对于 n 来说,当第一个被拆的数为 i 时, 他能够被拆成 i * (n-i) (i=1 ... n-1) , 也能够拆成更多的数。 即 dp[n] = max(i*(n-i) , i*dp[n-i]) i=1,...n-1 ,记忆化搜索即可。 class S 阅读全文
posted @ 2020-07-30 10:32 樱花庄的龙之介大人 阅读(202) 评论(0) 推荐(0) 编辑
摘要: 43. 字符串相乘 题解: 模拟大数相乘, 从最后一位开始往前枚举,A[i] * B[j] 最后的结果应该位于结果数组 C[i+j+1] 位,进位结果会保存在第C[i+j]位,所以需要从后往前递推。如果当前C[i+j+1]>=10了,要对进位进行处理。 class Solution { public 阅读全文
posted @ 2020-07-29 19:56 樱花庄的龙之介大人 阅读(149) 评论(0) 推荐(0) 编辑
摘要: DGL采用attention的方式为节点加权。 import torch import torch.nn as nn import torch.nn.functional as F from dgl import DGLGraph from dgl.data import citation_grap 阅读全文
posted @ 2020-07-28 16:01 樱花庄的龙之介大人 阅读(4521) 评论(0) 推荐(2) 编辑
摘要: 329. 矩阵中的最长递增路径 题解: 记忆化搜索,dp[i][j]代表以(i,j)结点为起点的最长递增路径。记忆化搜索即可。 class Solution { public: int dp[1000][1000]; int dir[4][2] = {1,0,0,1,-1,0,0,-1}; int 阅读全文
posted @ 2020-07-26 17:54 樱花庄的龙之介大人 阅读(181) 评论(0) 推荐(0) 编辑
摘要: 857. 雇佣 K 名工人的最低成本 题解: 对于每一个工人i,其薪质比为wage[i] / quality[i], 则对其余工人j,应该支付price[j] = wage[i] / quality[i] * quality[j], 而每一个工人都需要price[j]>=wage[j], 即 wag 阅读全文
posted @ 2020-07-25 12:02 樱花庄的龙之介大人 阅读(268) 评论(0) 推荐(0) 编辑
摘要: GCN可以认为由两步组成: 对于每个节点 $u$ 1)汇总邻居的表示$h_v$ 产生中间表示 $\hat h_u$ 2) 使用$W_u$线性投影 $\hat h_v$, 再经过非线性变换 $f$ , 即 $h_u = f(W_u \hat h_u)$ 首先定义message函数和reduce函数。 阅读全文
posted @ 2020-07-24 11:17 樱花庄的龙之介大人 阅读(1160) 评论(0) 推荐(0) 编辑
上一页 1 2 3 4 5 6 ··· 54 下一页