寻找水王及其扩展问题

水王问题(面试题):

解法一:排序后中间的id即为水王

解法二:自己没有想出来就请教度娘有两种理解(殊途同归而已)本人喜欢第二种

  1.每次删除两个不同的id剩余id中水王肯定占剩余id的1/2强调字眼“不同”,所以删下去吧

  2.不同记为是一个挑战相同记为一个支持,只有水王“牛”他能迎接所有挑战(支持>挑战)活到最后。

代码:

 1 //水王
 2 #include<iostream>
 3 using namespace std;
 4 int main()
 5 {
 6     int a = 0;
 7     int b = 0; 
 8     int i;
 9     int arrays[10];
10     for (i = 0; i < 10; i++)
11     {
12         cin >> arrays[i];
13     }
14 
15     for (i = 0; i < 10; i++)
16     {
17         if (a == 0 || b == 0)
18         {
19             a = arrays[i];
20             b++;
21         }
22         else if (arrays[i] == a)
23             b++;
24         else
25             b--;
26     }
27     cout << a;
28 }

截图:

 

水王扩展:有3个人的id超过整体的1/4找这3个人。

解法:借用上面解法一的思考我们每回合删4个不同id,剩下id中3个准水王还是超过1/4的可以反过来想怎么能使水王不超过1/4,只有删除相同的水王,所以验证了前面。想了一会儿得出的。

代码:

 1 #include <iostream>   //水王扩展问题
 2 using namespace std;
 3 
 4 int main()
 5 {
 6     int idpoint[3];         //存放3水王id
 7     int nTimes[3];        //存放记录每个水王的重复的次数
 8     int i;
 9     int id[20] = {1,1,1,1,2,2,2,2,3,3,3,3,1,2,3,5};
10     //for (i = 0; i < 20; i++)
11     //{
12     //    cin >> id[i];
13     //}
14     idpoint[0] = id[0];  //可以赋值为无意义的id
15     idpoint[1] = id[1];
16     idpoint[2] = id[2];
17     nTimes[0] = nTimes[1] = nTimes[2] = 0;
18     for (i = 3; i < 16; i++)
19     {
20         if (idpoint[0] == id[i])
21             nTimes[0]++;
22         else if (idpoint[1] == id[i])
23             nTimes[1]++;
24         else if (idpoint[2] == id[i])
25             nTimes[2]++;
26         else if (nTimes[0] == 0)
27         {
28             idpoint[0] = id[i];
29             nTimes[0]++;
30         }
31         else if (nTimes[1] == 0)
32         {
33             idpoint[1] = id[i];
34             nTimes[1]++;
35         }
36         else if (nTimes[2] == 0)
37         {
38             idpoint[2] = id[i];
39             nTimes[2]++;
40         }
41         else
42         {
43             nTimes[0]--;
44             nTimes[1]--;
45             nTimes[2]--;
46         }
47     }
48     cout << idpoint[0] << "   " << idpoint[1] << "   " << idpoint[2] << endl;
49     return 0;
50 }

转载于:https://www.cnblogs.com/mtant/p/4460823.html

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