84. Largest Rectangle in Histogram

题目

Given n non-negative integers representing the histogram's bar height where the width of each bar is 1, find the area of largest rectangle in the histogram.


Above is a histogram where width of each bar is 1, given height = [2,1,5,6,2,3].


The largest rectangle is shown in the shaded area, which has area = 10 unit.

For example,
Given heights = [2,1,5,6,2,3],
return 10.

分析

计算直方图能围成的最大矩形,可以用分治思想解决,即构成最大矩形的直方图在当前范围的左侧,右侧,或者跨过中线,只需给出跨过中线的解决方法即可,但这一方法在平台上提交不过,因为有些变量在一个进程重复调用,旧值遗留,新的方法参考:My concise C++ solution, AC 90 ms,先将一个为0的值压入高度向量中,然后用index记录便利过得高度索引,当遇到上升时直接压入index,一旦遇到小于最后一个index高度时,开始处理下降趋势,找到index中保存的所有大于等于当前高度的直方图所围成的最大矩形,并将计算过的直方图索引从index弹出,index中只保留小于当前处理的直方图高度的索引,由于最后一个高度是0,所以一定能够计算到当前所有直方图高度围成的最大矩形。

索引记录方法:

class Solution {
    public:
        int largestRectangleArea(vector<int> &height) {
            
            int ret = 0;
            height.push_back(0);
            vector<int> index;//index记录遇到的元素下标
            
            for(int i = 0; i < height.size(); i++)
            {
                //当直方图高度不断增加时,一直向里面压入高度,一旦遇到下降,则在循环中计算当前高度之前围成的矩形最大面积,即index中比当前高度高或相等的都会弹出,用于计算之前的最大面积,而index中比当前高度小的保留下来,例如[2,5,6,7,3],由于最初压入一个0,变成[2,5,6,7,3,0],前4个直接压入index,遇到3时,计算[5,6,7]围成的最大面积,index中保留2的索引,最后遇到0,则计算[2,5,6,7,3]围成的最大面积
                while(index.size() > 0 && height[index.back()] >= height[i])
                {
                    int h = height[index.back()];
                    index.pop_back();
                    
                    int sidx = index.size() > 0 ? index.back() : -1;
                    if(h * (i-sidx-1) > ret)
                        ret = h * (i-sidx-1);
                }
                index.push_back(i);
            }
            
            return ret;
        }
    };
分治法:

class Solution {
public:
    int leftORright(vector<int> heights,int beg,int end){//计算左右区间的最大矩形
        int mid=(beg+end)/2;
        if(beg<end){
            int left=leftORright(heights,beg,mid);
            int right=leftORright(heights,mid+1,end);
            int cross=crossMid(heights,beg,end);
            return max(left,right)>cross?max(left,right):cross;
        }
        else
            return heights[beg];
    }
    int crossMid(vector<int> heights,int beg,int end){//计算跨过中线的最大矩形,其中leftIndex直接对应mid,rightIndex对应mid+1
        int mid=(beg+end)/2;
        if(beg<end){
            int leftIndex=mid;
            int rightIndex=mid+1;
            int crossMax=0,crossMin=heights[mid];
            while(leftIndex>=beg&&rightIndex<=end){
                crossMin=min(heights[leftIndex],crossMin);
                crossMin=min(heights[rightIndex],crossMin);
                crossMax=max(crossMax,crossMin*(rightIndex-leftIndex+1));
                --leftIndex;
                ++rightIndex;
            }
            while(leftIndex>=beg){
                crossMin=min(crossMin,heights[leftIndex]);
                crossMax=max(crossMax,crossMin*(rightIndex-leftIndex));
                --leftIndex;
            }
            while(rightIndex<=end){
                crossMin=min(crossMin,heights[rightIndex]);
                crossMax=max(crossMax,crossMin*(rightIndex-leftIndex));
                ++rightIndex;
            }
            return crossMax;
        }
        else
            return heights[beg];
    }
    int largestRectangleArea(vector<int>& heights) {
        if(heights.empty())
            return 0;
        if(heights.size()==1)
            return heights[0];
        int mid=heights.size()/2;
        int leftMax=leftORright(heights,0,mid);
        int rightMax=leftORright(heights,mid+1,heights.size()-1);
        int crossMax=crossMid(heights,0,heights.size()-1);
        
        return max(leftMax,rightMax)>crossMax?max(leftMax,rightMax):crossMax;
    }
};



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值