基数排序,计数排序

计数排序:假设n个输入元素的每一个都是在0到k 之间,当k=O(n)时,排序的运行时间为o(n).
计数排序的基本思想是:对每一个输入的元素x,确定小于x的个数,利用这一信息,可以直接把x 放到它在输出数组中的位置了。

//计数排序
void Count_Sort1(int *a,int a_length,int *b,int *c,int k,int d)   //按指定位进行计数排序
{
    for(int i=0;i<k;i++)
    {
        c[i]=0;
    }

    for(int j=0;j<a_length;j++)
    {
        c[getdigit(a[j], d)]++;
    }

    for(int i=1;i<k;i++)
    {
        c[i]=c[i]+c[i-1];

    }

    for(int j=a_length-1;j>=0;j--)
    {
          b[c[getdigit(a[j],d)]-1]=a[j];                          //一定要进行减一操作,否者会越界
          c[getdigit(a[j],d)]--;
    }
}
int getdigit(int x,int d)     //求指定位置上的值,d 表示是个位,十位还是百位
  {   
    int a[] = {1, 1, 10, 100,1000};   //最大三位数,所以这里只要百位就满足了。
     return (x/a[d]) % 10;  
}


//基数排序的排序的思想是:先对个位进行计数排数然后再是十位,百位
void lsdradix_sort1(int arr[],int length ,int d)                      //基数排序算法
{
    const  int radix=10;
     int count[radix],i,j;                 
     int *bucket=(int *)malloc(length*sizeof(int));  //中间变量
      Count_Sort1(arr,length,bucket,count,radix, d);
       for(i=0,j=0;i<length;i++,j++)
         {
             arr[i]=bucket[j];
         int main(void)
{
//含有哨兵
int a[8]={2,5,3,0,2,3,0,3};
int b[9];
int c[6];
Count_Sort(a, 8,b,c,6);


   int  br[11] = {20, 80, 90, 589, 998, 965, 852, 123, 456, 789,8899};

   int weishu=4;
   for(int i=1;i<=weishu;i++)
   {
 lsdradix_sort1(br,11,i);
   }
    cout<<"排序后数据如下:"<<endl;
    PrintArr(br, 11);




/* Max_Heap_Insert(a,11,18);
 for(int i=1;i<=10;i++)
            cout<<a[i]<<" ";
        cout<<endl;*/


/* QuickSort(b,0,10);
    for(int i=0;i<=10;i++)
            cout<<b[i]<<" ";
        cout<<endl;*/

  /*  int b[100]={17,4,1,3,2,16,9,10,14,20,7,78, 17, 39, 26, 72, 94, 21, 12, 23, 91};
bucket_sort(b, 21);*/

 for(int i=0;i<8;i++)
            cout<<b[i]<<" ";
        cout<<endl;





   // HeapSort(a,10);
  //for(int i=1;i<=10;i++)
   //         cout<<a[i]<<" ";
   //     cout<<endl;

return 0;
}
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