原创 Tensorflow:實戰Google深度學習框架 學習筆記(三):MNIST數字識別

Tensorflow 學習筆記(三):MNIST數字識別 前言 MNIST手寫數字識別是一個非常經典入門的深度學習的實驗,跟着《 Tensorflow:實戰Google深度學習框架》第五章學習如何利用Tensorflow框架完成這

原创 Leetcode 76:最小覆蓋子串 (滑動窗口)

76. 最小覆蓋子串 題意: 給兩個字符串S,T,問在S裏找到一段包含T中所以有字符的最小子串。 思路 : 典型的窗口滑動(尺取法)的問題,這類問題找到窗口滑動停止的條件就基本解決了。 同樣這題比較特殊就是如何判斷在一個窗口內包含

原创 leetcode 174 周賽題解

1337. 方陣中戰鬥力最弱的 K 行 題意: 返回二維數組,每行1的個數的排序。 代碼: python class Solution: def kWeakestRows(self, mat, k) : a

原创 leetcode 168 周賽題解

1295. 統計位數爲偶數的數字 題意: 求一個數組裏位數爲偶數個數。 python 使用list序列表達式 簡潔(優美)寫法: class Solution: def findNumbers(self, nums) ->

原创 leetcode 160周賽題解

題目1 1237. 找出給定方程的正整數解 題意: 第一次做這類型題,枚舉調一個函數,找出符合它的解。 思路: 這題是考閱讀理解能力。 代碼: class Solution { public: vector<vector<

原创 python【heapq】&& leetcode 23. Merge k Sorted Lists

heapq模塊 heapq 模塊是python裏用來實現 ——最小堆 ,又被稱爲優先隊列算法,官方文檔。 最近用python刷leetcode用的比較多,用一些例子做個筆記。 創建堆 - 最小堆 單個添加創建堆 - heappus

原创 C++ 11 vector 的遍歷,auto關鍵詞(未完)

遍歷vector方式 假設有這樣的一個vector: vector<int> line={1,2,3,4,5,6,7,8,9}; 需要我們去遍歷它。 void showvec(const vector<int>& line) {

原创 leetcode 167周賽題解

二進制鏈表轉整數 代碼: class Solution { public: int getDecimalValue(ListNode* head) { int ans =0 ; whil

原创 leetcode1044. 最長重複子串 (Rabin-Karp + 二分 )

leetcode1044. 最長重複子串 題意 給出一個字符串 S,考慮其所有重複子串(S 的連續子串,出現兩次或多次,可能會有重疊)。 返回任何具有最長可能長度的重複子串。(如果 S 不含重複子串,那麼答案爲 “”。) 思路 這

原创 GCN 概要 &&GAT(Graph Attention Networks )

Graph attention works GCN CNN處理的圖像或者視頻數據中像素點(pixel)是排列成成很整齊的矩陣,論文提到 Euclidean Structure。 非Euclidean Structure的網絡結構

原创 leetcode 10. 正則表達式匹配 && leetcode 44 通配符匹配

leetcode 10. 正則表達式匹配 題意: 給你一個字符串 s 和一個字符規律 p,請你來實現一個支持 ‘.’ 和 ‘*’ 的正則表達式匹配。 ‘.’ 匹配任意單個字符 ‘*’ 匹配零個或多個前面的那一個元素 所謂匹配,是要

原创 leetcode 176 周賽

5340. 統計有序矩陣中的負數 題意: 統計二維矩陣中非負個數。 代碼: class Solution: def countNegatives(self, grid: List[List[int]]) -> int:

原创 Leetcode 1345. 跳躍遊戲 IV

Leetcode 1345. 跳躍遊戲 IV 題意: 給一個一維的數組,你從下標0開始出發,有三種操作:每次可以向左,右移動一位,或者移動到與自己數值相同的位置。 思路: 這類搜索求最短步數的解法是典型的bfs,注意這題數據的特殊

原创 leetcode 218. 天際線問題

題意: 如第一幅圖所示,求由很多可能重疊矩形能夠覆蓋最終的最終圖案的形狀,如第二幅圖所示。 思路: 用掃描線思想, 從左往右掃描,另外加上一個最大堆來維護滿足條件的所有矩形裏的高度的最高值。 另外實現的時候有一些小細節

原创 Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs

Relations are Important 儘管傳統的GAT在獲取網絡結構上取得成功,但直接用於KG裏是不合適的,因爲它忽略KG裏很重要的一部分信息——邊,即在KG裏實體之間的關係(relation)信息。 作者認爲在KG裏,