不確定您正在嘗試做什么，但這應該是可能的： import tensorflow as tfinputs = tf.keras.layers.Input((5, ))iter_count = tf.keras.layers.Dense(1)(inputs)for i in tf.range(tf.shape(iter_count)[-1]): # if you want to get the actual output of the Dense layer **iter_count** # try i = itercount[:, i] inputvariation = tf.concat([inputs, tf.cast(tf.repeat(i, repeats=tf.shape(inputs)[0])[..., None], dtype=tf.float32)], axis=-1) box = tf.keras.layers.Dense(4)(inputvariation)model = tf.keras.Model(inputs, box)model(tf.random.normal((1, 5)))

如果拓撲自動啟動，如本例所示， public static void main(String[] args){ Topology topology = new Topology(); new JViewer(topology); topology.start();} 然后，在添加節(jié)點時，拓撲已在運行。因此，只要將每個節(jié)點上的onStart()方法添加到拓撲中，就會調用該方法（這確實使它們以非同步方式啟動）。 這里的一個解決方案是刪除對topology.start()的調用，并在添加所有節(jié)點后手動啟動拓撲。這可以在上下文菜單中完成（右鍵單擊>“開始執(zhí)行”）。

可通過以下步驟獲得溶液： 第一組包含所有沒有傳入弧的任務：這些任務沒有傳入依賴項。 從圖表中刪除第一組中的所有任務 第二組由修改后的圖中沒有傳入弧的任務組成：這些任務的所有依賴項都已滿足。 從修改后的圖中刪除第二組中的所有任務。繼續(xù)此過程，直到刪除所有任務。 Using JGraphT: public static List<List<String>> getGroups(Graph<String, DefaultEdge> taskGraph){ List<List<String>> groups = new ArrayList<>(); //The first group contains all vertices without incoming arcs List<String> group = new LinkedList<>(); for(String task : taskGraph.vertexSet()) if(taskGraph.inDegreeOf(task) == 0) group.add(task); //Next we construct all remaining groups. The group k+1 consists of al vertices w

考慮一下經典卡恩算法的這種變化： 從一個集合S0開始，該集合包含沒有傳入邊的所有節(jié)點 初始化下一組Sn+1 迭代Sn，對于每個節(jié)點N： 對于從N傳入邊的所有節(jié)點D，刪除邊 如果D沒有其他傳入邊，則將其添加到Sn+1 如果Sn+1不為空，則將pass增加到n+1，并從2開始重復。 S0的列表。。。Sk集合包含結果。

使用遍歷子鏈接和父鏈接的depth-first搜索將圖形分隔為多個組件。然后可以對每個組件進行拓撲排序。兩種算法都是O（N+E）（對于N個節(jié)點和E條邊）；這可能是O（N2），但對于依賴關系數量通常很小的典型依賴關系圖，它可能更接近O（N）。

因為ES6對象有一個travesal順序。主要是如果鍵是非數字字符串，它們會保持插入順序。如果鍵是數字字符串（例如“123”），則按升序排列。 使用Object.entries()將對象轉換為數組[key, value]項，通過使用destructuring獲取值對項進行排序。轉換回具有Object.fromEntries()的對象。 注意：不需要將timestamp轉換為日期。使用一元+將其轉換為數字。 const entryData = {"art_AYNgc8KwfbewFawAsogtH1Eii5eu7kKfjM3CrEpFhzWY":{"timestamp":"1613713166629","art_type":"Type: image/jpeg - Size: 6442.15 Ko - Dimensions: 4000 x 6000 px","art_name":"Name 1"},"art_FJPKZQKfkfzNnF6AZRiayzVdKEyCg3ZJc4Kb6hTEZMUH":{"timestamp":"1613868065000","art_type":"Type: image/png - Size: 8475.15 Ko - Dimensions: 3000 x 2000 px","art_name":"Name 2"},"art_HNXph9RtNC9MT7

這是圖形算法中經常使用的符號，用于指定算法對圖形密度的依賴程度。E始終是O(V^2)，但是這個界限可能不緊。假設沒有很多邊（例如，一棵樹，其中正好有V - 1條邊）。然后O(V + E) = O(V + V) = O(2V) = O(V)。 現在考慮一個稠密圖（例如，一個完整的圖，其中至少有V(V-1)邊，或者如果允許有自邊緣的話）。現在O(V+E) = O(V + V^2 - V) = O(V^2)。 在O(...)內部，+的行為有點像max：總體復雜度由兩個加數中較大的一個決定。這基本上為您提供了一種顯示復雜性如何沿兩個軸增長的速記：一個是頂點的數量，另一個是邊的密度。

排序算法的O（n*log（n））下界僅適用于通過相互比較對任意對象進行排序的算法。如果您知道您的數據來自有限的域，您可以使用更有效的算法。例如，如果值都是小整數，則可以使用計數排序在O（n）時間內高效地對數據進行排序。 下面的示例可以對只包含域0-5中整數的序列進行排序，如您的示例所示。 def sort_0_to_5(data): counts = [0, 0, 0, 0, 0, 0] for val in data: counts[val] += 1 return [val for val in range(len(counts)) for _ in range(counts[val])] 它在O（n）時間內運行，并且只使用常量空間。這是一個非常基本的計數排序，一個更高級的版本可以對任意對象進行排序，只要它們在域中有整數鍵。（您只需要對數據進行額外的傳遞，以進行累積計數，然后在右邊的order.中建立輸出） 像基數排序這樣更復雜的算法可以在quasi-linear時間內處理更大的域。但是，計算時間的方法變得很棘手，因為一旦域開始變得與數據集的大小相當，處理域大小的代碼部分就變得越不“恒定”。例如，基數排序采用O（n*log（k））時間，其中k是域的大小。 不過，我要指出的是，即使您能夠找到一種比標準比較排序具有更好時間復雜度的排序算法，但這并不意味著它對實際數據的處理速度更快。

一般來說，這是#P-complete。然而，這個特殊的圖形恰好是串聯(lián)-并聯(lián)的，這使它變得簡單。串聯(lián)的圖使每個圖的可能性數相乘。對于您顯示的特定圖形，有三個菱形串聯(lián)，每個菱形都有兩個有效的擴展名，因此有八種可能性。

std::list有一個用于排序的成員函數。它叫sort。 有沒有不使用任何循環(huán)就可以實現這一點的方法？。 不使用循環(huán)（遞歸或迭代）進行排序的唯一方法是將輸入的大小限制為常量。

“數據結構”是一個非常普遍的概念，數據結構存在于不同的抽象層次。 所以“數組”和“對象”是非常基本的數據結構——數組只是一個數字索引的線性數據集合，而對象是一個包含命名元素的集合。 “堆棧”和“隊列”是更高級別的抽象。它們通常使用對象和數組來保存原始數據，并提供反映這些抽象使用方式的附加操作。

一種方法是使用igraph包： library(igraph)library(data.table)g <- graph_from_data_frame(df2, directed = TRUE)df1[, topo_complete := lapply(as.character(top), function(x) names(subcomponent(g, x, mode = "out")))]

self.graph中編碼的圖的結構允許圖的頂點為任意對象（數字、字符串等）。但是，在對圖形進行排序時，您將使用整型索引及其visited列表中的相應值跟蹤訪問過的頂點。由于整數和頂點標簽之間沒有映射，因此會產生錯誤的結果。如果self.graph是一本普通字典，那么這個問題就很明顯了，因為 for i in self.graph[v] 將生成一個錯誤（您正在以v鍵的形式傳遞一個在self.graph中不是有效鍵的整數）。但是，由于self.graph是默認字典，因此會生成默認值，即空列表。 您可以按如下方式進行修復： from collections import defaultdictclass Graph: def __init__(self): self.graph = defaultdict(list) #dictionary containing adjacency List # function to add an edge to graph def addEdge(self,u,v): self.graph[u].append(v) # A recursive function used by topologicalSort def topologicalSortUtil(self,v,non_visited,stack): # Recur for all the

如果邊（u，v）在a或B中，你可以通過放一條邊（u、v）來構造一個新的圖C，結合a和B。如果它允許一個拓撲排序，它將是一個普通的拓撲排序，否則會有一個循環(huán)，你可以從中推導出這樣的拓撲圖不存在。此解決方案的復雜性為O（m），其中m是兩個圖中的邊總數。

我不確定在RB樹中插入節(jié)點的速度有多快（例如，與在列表中插入節(jié)點相比 插入具有以下平均時間復雜性： RB樹（也是最壞情況）：O（logn） 排序列表：O（n） 未排序列表：O（1） 按排序順序遍歷所有值： RB樹：O（n） 排序列表：O（n） 未排序列表：O（nlogn） 因此，對于逐漸增大的數據大小，插入最終在RB上的運行速度將快于在排序列表上的運行速度，盡管對于較小的數據大小，列表可以更快（因為它具有較少的恒定開銷）。實際引爆點將取決于實現方面，包括編程語言和要比較的值的結構。但插入到未排序的列表中當然會比兩者都好。 對于未排序的列表，按需對列表進行排序是有成本的，但與O（n）相比，它“僅”O(jiān)（nlogn）。因此，如果排序不必如此頻繁，它可能是一個可行的選擇。再次強調，轉折點——幾個插入和排序的總體運行時間比備選方案快的地方——取決于實現方面。 哪種數據結構最有效？ 在實踐中，我發(fā)現B+樹是快速插入的好選擇。就像RB樹一樣，它們有O（logn）插入時間，但可以使用不同的塊大小調整數據結構，試圖找出哪一個最適合您的實際情況。對于RB樹，這是不可能的。此外，B+樹的排序列表位于已排序塊的鏈接列表中，因此按排序順序進行迭代非常簡單。沒有什么比這更快的了。 另一個有趣的選擇是跳過列表。它有點像B+樹，但它的操作更容易實現。由于沒有塊和更多指針，它使用了更多的內存（相同的復雜性）。 哪