Middle-题目3:238. Product of Array Except Self

题目原文:
Given an array of n integers where n > 1, nums, return an array output such that output[i] is equal to the product of all the elements of nums except nums[i].
Solve it without division and in O(n).
For example, given [1,2,3,4], return [24,12,8,6].
题目大意:
给一个数组nums,输出一个数组output,其中output[i]等于nums数组中除了nums[i]外所有数的乘积。
要求不使用除法,且复杂度O(n),
题目分析:
1. 朴素解法
既然是oj题,AC就好,你说不用除就不用除了?那么问题来了,如果nums[i]是0怎么办?
这时要分两种情况:
(1) nums数组里面有两个以上的0,那么output数组必然全是0.
(2) nums数组里面只有一个0,那么0这一位对应是其他所有非0数的乘积,其他位都是0.
按这个思路,先统计数组里有几个0,作为两种特殊情况。其他的就都乘起来分别算即可。
2. 真的不用除的算法:
考虑output[i]=(nums[0]nums[1]nums[i-1])(nums[i+1]…*nums[n-1]),那么遍历两次数组,第一轮正向遍历,计算出nums[0]*nums[1]nums[i-1]的积放到output[i]里面,第二轮反向遍历,计算出nums[i+1]…*nums[n-1]的积再乘进去即可。
源码:(language:java)
1. 朴素解法:

public class Solution {
    public int[] productExceptSelf(int[] nums) {
        int product=1,product2=1;
        int zerocount=0;
        for(int num:nums)
        {
            if(num==0)
                zerocount++;
            if(zerocount==2)
                break;
            product*=num;
            product2*=(num==0)?1:num;
        }
        if(zerocount==0){
            for(int i=0;i<nums.length;i++)
                nums[i]=product/nums[i];
            return nums;  
        }
        else if(zerocount==1)
        {
            int[] array=new int[nums.length];
            for(int j=0;j<nums.length;j++)
                array[j]=(nums[j]==0)?product2:0;
            return array;
        }
        else
            return new int[nums.length];      
    }
}
  1. 不用除的巧妙算法:
public class Solution {
    public int[] productExceptSelf(int[] nums) {
        int[] res = new int[nums.length];
        res[res.length-1] = 1;
        for(int i=nums.length-2; i>=0; i--) {
            res[i] = res[i+1] * nums[i+1];
        }

        int left = 1;
        for(int i=0; i<nums.length; i++) {
            res[i] *= left;
            left *= nums[i];
        }
        return res;
    }
}

成绩:
朴素解法:3ms,beats 11.83%,
巧妙解法:2ms,beats 46.07%,众数2ms,53.93%
Cmershen的碎碎念:
Middle前期的很多道题看似简单,但却有很巧妙的算法,应予以注意。

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