dllist: Listas doblemente ligadas en C
Es común que en un programa no sepamos de antemano cuántos datos vamos a insertar, ni siquiera al arrancar el programa, si no en el transcurso de la ejecución del mismo. Es por eso que necesitamos una estructura de datos que permita ir agregando de manera ordenada datos, y guardarlos en memoria. Para ello existen una serie de estructuras útiles, pero una de las más simples son las listas doblemente ligadas. En este tutorial mostraremos una implementación libre de este tipo de listas e invitamos a todos los principiantes a revisar la entrada en wikipedia sobre el tema para tener más elementos en esta lectura.
En el presente artículo presentamos nuestra implementación de estas estructuras de datos, para que las puedan usar en sus proyectos o estudiar. Mostraremos las partes básicas para su uso, así como una descripción básica del funcionamiento de una lista de este tipo. Si quieren usar el código fuente está disponible en github.
Estas listas requieren una estructura base, que mantenga información sobre el primer nodo de la lista y el último.
typedef struct dllist
{
dlnode *start;
dlnode *end;
dl_comparator comp;
dl_print print;
dl_freefunc free_func;
}dllist;
Como vemos, mantenemos punteros al nodo de inicio y al de fin. También, para generalizar, se usan punteros a funciones, que permitirán al usuario definir funciones bascias cómo liberar memoria, comparar nodos e imprimir un nodo. Ahora bien, cada nodo tendrá un puntero al objeto que contiene, uno al nodo predecesor y otro al nodo posteior. Si el nodo es el primero su valor será NULL, al igual si es el último, su nodo posterior también será NULL. En la siguiente imágen se ilustra cómo es esto:
Multiplicación de matrices dinámicas en C
Para muchos estudiantes de programación es difícil ver la utilidad de un arreglo dinámico en un lenguaje de bajo nivel cómo lo es C. ¿Por qué no simplemente usar un arreglo estático para realizar estas operaciones? La respuesta es clara: no siempre conocemos el tamaño de los datos con los cuáles vamos a trabajar. En este artículo vamos a tratar un tema que demuestra este punto. Supongamos que queremos multiplicar dos matrices que no conocemos en el momente de escribir el programa. Vamos a usar dos archivos donde se encuentren descritas las matrices. Dado que no conocemos el tamaño de estas matrices no podemos crear arreglos con un tamaño fijo, por lo que el programa reservará el espacio necesario para almacenar los datos obtenidos de los archivos, en tiempo de ejecución. Esto significa que al momento de que se ejecute del programa, este creará un arreglo con los datos obtenidos en ese momento. Veamos la lógica general de un programa así.
Primero será necesario definir las variables necesarias para realizar nuestro cálculo. En este caso nos centraremos en las variables importantes. Son las declaraciones de punteros a estructuras matrix M1, M2 y M. M1 y M2 apuntarán a la memoria que contendrá las matrices que leeremos del archivo, mientras que M será el resultado final de la multiplicación.
matrix *M1, *M2, *M;
¿Pero qué aspecto tiene la estructura matrix?
typedef struct matrix{
int m, n;
float **M;
} matrix;
Entrevista con Albert Orozco: Sobre su tesis de generación de Memes con Redes Neuronales.
En último tiempo, una tesis muy interesante sobre generación de memes con redes neuronales ha circulado las redes sociales. Sabemos que muchas personas han juzgado a la tesis únicamente por el título sin haber investigado a mayor profundidad el tema. En eeNube.com hemos logrado entrevistar al autor de la tesis Albert Manuel Orozco Camacho que nos ha contestado bastantes preguntas interesantes acerca del tema. Esperamos esta entrevista sirva para ayudar a generar más tesis tan interesantes cómo la suya y quitarnos los tabues que nos impiden analizar los trabajos con la seriedad que se requiere. Le agradezco a Albert por su tiempo y espero les interese la entrevista. Para más información pueden consultar la tesis completa en: http://132.248.9.195/
Eenube: Buenas tardes Albert Manuel Orozco Camacho, es un gusto poder hacer esta entrevista contigo sobre tu tesis de licenciatura titulada „Generación automática de memes de Internet a través de una red neuronal profunda“. He tenido la oportunidad de leerla y debo decir que me ha parecido estupenda. Para comenzar con nuestra entrevista, quisiera preguntarte sobre tu tema. Los „Memes“ son una forma muy ingeniosa de expresión y hasta de protesta en las redes sociales. ¿Qué te motivó crear una compleja red neuronal para la generación de estas imágenes?
Albert:
Primero que nada, me gustaría aclarar un poco el problema que estoy atacando. El tipo de memes que uso en mi trabajo tienen, necesariamente, dos componentes: una imagen y una leyenda asociada que funciona para dar un mensaje (que muchas veces es humorístico) sobre la imagen. Por lo tanto, yo me enfoqué en aprender a generar leyendas (texto) a través de las características detectadas en la imagen.
Habiendo aclarado el punto anterior, considero conveniente darle el debido crédito a mi director de tesis, Dr. Ivan Vladimir Meza, como impulsor de la idea de usar memes en aprendizaje profundo. En su momento, yo estuve muy interesado en realizar un trabajo que involucre aprender datos un poco “fuera de lo común”. Tuve la oportunidad de observar una exposición que hablaba sobre un modelo neuronal que aprendió a narrar partidos de fútbol del videojuego “FIFA”. Fue ahí, entonces, donde surgió mi interés en generar lenguaje natural a partir de otros datos no estructurados.
Leer más: Entrevista con Albert Orozco: Sobre su tesis de generación de Memes con Redes Neuronales.
Página 1 de 33
