# 现代编程思想 树 Hongbo Zhang ## 数据结构：树 • 树 · 二叉树 • 二叉搜索树 • 二叉平衡树 ## 生活中的树状图 - 生活中有很多的数据的结构与一颗树相似 - 谱系图（又称，家族树） ☐ 文件结构 ☐ 数学表达式  ## 树的逻辑结构 • 数据结构中，树是由有限个节点构成的具有层次关系的集合 ◦ 节点是存储数据的结构，节点之间存在亲子关系：父节点和子节点 如果树不为空，则它拥有一个根节点：根节点没有父节点 所有非根节点都有唯一的父节点 如果没有子节点的节点可称为叶节点 ☐ 任何节点不能是自己的后代节点：树中不能有环路 ☐ 树的一条边指的是一对节点 $ (u, v) 0/b0908fa36dacc9f916e5bf9d9fe29bf7/p4_2.jpg) ## 树的逻辑结构 • 这不是一颗树  ## 树的逻辑结构 - 计算机中的树根节点在上，子节点在父节点下方 • 相关术语 节点的深度：根节点下到这个节点的路径的长度（边的数量）

<= 1 { return; } let size = arr.len(); for i in 0..(size - 1) { // 找到最小元素的索引值 let mut min_index = i; for j in (i + 1)..size { if arr[j] < arr[min_index] 1 }, Position { x: 1, y: 2 } }), side: Players::Player0 }) }; ## 最小生成树 use std::vec::Vec; #[derive(Debug)] pub struct Edge { source: i64, destination: i64, expected_total_cost); assert_eq!(actual_final_edges, expected_used_edges); } ## Prim算法(最小生成树) use std::cmp::Reverse; use std::collections::{BTreeMap, BinaryHeap}; use std::ops::Add; type Graph

0 码力 | 270 页 | 8.46 MB | 2 年前

3

automake 生成 全攻略 作为 Linux 下的程序开发人员，大家一定都遇到过 Makefile，用 make 命令来编译自己写的程序确实是很方便。一般情况下，大家都是手工写一个简单 Makefile，如果要想写出一个符合自由软件惯例的 Makefile 就不那么容易了。 在本文中，将给大家介绍如何使用 autoconf 和 automake 两个工具来帮助我们自动生成符合自由软件惯例的 中记录有文件的信息，在 make 时会决定在链接的时候需要重新编译哪些文件。 Makefile 的宗旨就是：让编译器知道要编译一个文件需要依赖其他的哪些文件。当那些依赖文件有了改变，编译器会自动的发现最终的生成文件已经过时，而重新编译相应的模块。 Makefile 的基本结构不是很复杂，但当一个程序开发人员开始写 Makefile 时，经常会怀疑自己写的是否符合惯例，而且自己写的 Makefile 经常和自己的开发环境相关联，当系统环 automake，程序开发人员只需要写一些简单的含有预定义宏的文件，由 autoconf 根据一个宏文件生成 configure，由 automake 根据另一个宏文件生成 Makefile.in，再使用 configure 依据 Makefile.in 来生成一个符合惯例的 Makefile。下面我们将详细介绍 Makefile 的 automake 生成方法。 ## 二、 使用的环境 本文所提到的程序是基于 Linux 发行版本：Fedora

[Image](/uploads/documents/0/e/f/2/0ef2dc85a2a8c5cd710f26461146a99b/p1_2.jpg) ## 为 Python Function 自动生成 Web UI 彭未康 ## Touch-Callable The web framework for less serious application. (venv3.6)$ pip install jpg) ## 例子：生成测试用户 for day in this_month: User.create(nickname=randstr(10), created_at=day)  ## 例子：生成测试用户 for day create(platform='qq', nickname=utils.randstr(10), created_at=day) baidu, bytedance..... ## 例子：生成测试用户 class Platform(Enum): BAIDU = '百度' WECHAT = '微信' ALIPAY = '支付宝' $$

## 机器学习-决策树 黄海广 副教授 2023年06月 ## 本章目录 01 决策树原理 02 ID3算法 03 C4.5算法 04 CART算法 ### 1. 决策树原理 01 决策树原理 02 ID3算法 03 C4.5算法 04 CART算法 ### 1. 决策树原理  ● 决策树：从训练数据中学习得出一个树状结构的模型。 ● 决策树属于判别模型。 ● 决策树是一种树状结构，通过做出一系列决策（选择）来对数据进行划分，这类似于针对一系列问题进行选择。 ● 决策树的决策过程就是从根节点开始，测试待分类项中对应的特征属性，并按照其值选择输出分支，直到叶子节点，将叶子节点的存放的类别作为决策结果。 ### 1. 决策树原理  - 决策树算法是一种归纳分类算法，它通过对训练集的学习，挖掘出有用的规则，用于对新数据进行预测。 ● 决策树算法属于监督学习方法。 ● 决策树归纳的基本算法是贪心算法，自顶向下来构建决策树。 ● 贪心算法：在每一步选择中都采取在当前状态下最好/优的选择。 ● 在决策树的生成过程中，分割方法即属性选择的度量是关键。 ### 1. 决策树原理 ## 决策树的特点 ## 优点：

## 深度学习-生成式深度学习 黄海广 副教授 2023年06月 ## 本章目录 01 生成式深度学习简介 02 GAN的理论与实现模型 03 GAN的应用 04 GAN的思考与前景 ### 1. 生成式深度学习简介 01 生成式深度学习简介 02 GAN的理论与实现模型 03 GAN的应用 04 GAN的思考与前景 ### 1. 生成式深度学习简介 ## • 深度学习中常见生成式模型 深度学习中常见生成式模型 • 自编码 (AE) • 其隐变量z是一个单值映射： $ z=f(x) $ • 变分自编码 (VAE) • 其隐变量z是一个正态分布的采样 • 生成式对抗网络（GAN） • 条件生成式对抗网络（CGAN） 在生成器和判别器中添加某一标签信息 • 深度卷积生成式对抗网络 (DCGAN) • 判别器和生成器都使用了卷积神经网络（CNN）来替代GAN中的多层感知机 知机 - 为了使整个网络可微，拿掉了CNN中的池化层 • 将全连接层以全局池化层替代以减轻计算量。 ### 1. 生成式深度学习简介 ## 自编码（AE）结构图 $$ \min\|x-\hat{x}\|^{2} $$  损失函数：

1. 默认不相信外部输入，需要进行检查； 2. 内部逻辑也应该做检查，例如购买东西以后余额应该降低而不是升高； 3. 奥卡姆剃刀原则，用能达到目的的最简单的设计、配置，减少缺陷的可能性； 4. 最小权限原则，仅用恰好够用的权限去执行代码，减少越权漏洞； 5. 定时清理缓存数据，以及非业务代码的固有数据，减少入侵风险； 6. 在发布代码前，使用 Bandit 工具检查代码，规避最常见的不安全写法；