排序算法~快速排序

            学习二分法查找的时候为了排序简单写了个冒泡排序,当数据量到达10W级的时候,效率真是低到没朋友了!
所以想实现个效率高些的排序,想到了快速排序!快速排序的思维是对半拆分,在一个数组中选取一个临界值,
如果小于这个临界值就将该数值前移,形成了初步排序的左右两边,之后递归左右两边即可!
    于是写了一个如下排序:
    private static void quickSort(int[] arr, int start, int end) {

if (start >= end) {
return;
}
int base = arr[start];
int in = start;
for (int i = start + 1; i < end; i++) {
if (arr[i] < base) {
int temp = arr[in];
arr[in] = arr[i];
arr[i] = temp;
in++;
}
}
quickSort(arr, start, in - 1);
quickSort(arr, in + 1, end);
}

    试运行排序了一个小数组,发现成功了,不过多几个数值之后就发现了问题:

        我取的第一个元素的值为标杆,排序过程中如果一直出现后面的数值小于标杆值,那么不会出现问题,

    但是如果连续有几个数值大于标杆值,这几个值就会放在原位置不动,直到后面有小于标杆值的数值来替换。

    这个问题想来可以通过交换‘标杆值’和‘第一次排完顺序的数组中的第一个大于标杆值的元素’的位置来解决,

    但是这个标杆值在排序过程中被移动到哪里去了却无从所知。所以,还是修改代码吧!将标杆值最先一直留

    在档次排序的第一位,排序结束之后,交换标杆值和最后一个小于标杆值的元素。于是优化为如下代码:

private static void quickSort(int[] arr, int start, int end) {
if (start >= end) {
return;
}
int base = arr[start];
int in = start; int temp; for (int i = start + 1; i < end; i++) {
if (arr[i] < base) {
in++;
temp = arr[in];
arr[in] = arr[i];
arr[i] = temp;
}
}
// 此处无需添加判断条件,直接运行即可,因为in处值一定小于首位置base

arr[start] = arr[in];
arr[in] = base;


quickSort(arr, start, in);
quickSort(arr, in + 1, end);
} 两个排序的比较数据: sort(arr); //冒泡 10000 - 300ms 100000 - 23s

quickSort(arr, 0, arr.length); // 10000 - 3ms // 100000 - 35ms

当数据量很大的时候,冒泡排序已经无法使用! 注:建议自己按照排序算法的思维编写一下,慢慢优化就会发现最优写法! 附上各种排序的复杂度分析,虽然有些我也没玩儿过!
    1536645003439.png


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