LeetCode50 Pow(x, n)--数组--二分法查找--中等

相关博文:

LeetCode35. 搜索插入位置 --(数组)--二分法查找-- 简单

LeetCode 69. Sqrt(x)--(数组)--二分法查找 --简单

题目描述:

 
实现 pow(x, n) ,即计算 x 的 n 次幂函数。
 
示例 1:
 
输入: 2.00000, 10
输出: 1024.00000
示例 2:
 
输入: 2.10000, 3
输出: 9.26100
示例 3:
 
输入: 2.00000, -2
输出: 0.25000
解释: 2-2 = 1/22 = 1/4 = 0.25
说明:
 
-100.0 < x < 100.0
n 是 32 位有符号整数,其数值范围是 [−231, 231 − 1] 。
 

解题思路

1)暴力破解

直接判断 while 循环 n 

x相乘

判断若n为负数的处理方法

这个属于暴力破解可能会超过时间的限制

//C++
class Solution {
    public double myPow(double x, int n) 
    {
        long N = n;
        if (N < 0) 
        {
            x = 1 / x;
            N = -N;
        }
        double ans = 1;
        for (long i = 0; i < N; i++)
            ans = ans * x;
        return ans;
    }
};

算法复杂度分析

2)解法2:快速幂指数,利用了二分的特性 

递归

利用该特性:

但分n为奇数和偶数 

//C++
class Solution {
    private double fastPow(double x, long n) 
    {
        if (n == 0) //最后返回给half 最后1次
        {
            return 1.0;
        }
        double half = fastPow(x, n / 2);// n/2次
        if (n % 2 == 0) 
        {
            return half * half;
        } else 
        {
            return half * half * x;
        }
    }
    public double myPow(double x, int n) 
    {
        long N = n;
        if (N < 0) 
        {
            x = 1 / x;
            N = -N;
        }

        return fastPow(x, N);//1次
    }
};

算法复杂度分析:

 

时间复杂度和空间复杂度分析:

3)解题思路3 利用循环替代递归

//循环的方法实现
//C++
class Solution {
    public double myPow(double x, int n) {
        long N = n;
        if (N < 0) //考虑幂是否为负数情况
        {
            x = 1 / x;
            N = -N;
        }
        double ans = 1;
        double current_product = x;
        for (long i = N; i > 0; i /= 2) //每次循环减少一半
        {
            if ((i % 2) == 1) //如果为为奇数,首次,那么多乘1次,最后无论奇数偶数最后都会进入此循环
            {
                ans = ans * current_product;
            }
            current_product = current_product * current_product;
        }
        return ans;
    }
};

算法复杂度分析

时间复杂度:O(logN)

空间复杂度:O(1)

参考资料:

【1】https://leetcode-cn.com/problems/powx-n

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

打赏作者

heda3

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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