剑指offer(二.2)数据结构之数组2 面试题3

2. 动态数组

C++要求定义数组时,必须明确给定数组大小,但很多情况下,预编译时并不能确定数组长度。为解决数组空间效率不高问题,设计实现了多种动态数组。
C++中,动态内存分配技术可以在程序运行中按实际需要申请适量内存,使用结束后还可以释放【申请和释放的内存单元是堆对象,new和delete】

1)使用运算符new创建动态数组

创建一维数组:new 类型名 [数组长度];    数组长度指出数组元素个数,可以是任何能得到正整数值的表达式。
 delete[] 指针名;
最好是将数组的建立和删除过程封装起来,形成一个动态数组类,便于使用。动态数组类中,通过类的成员函数访问数组元素,每次访问前检查下标是否越界
【<cassert>头文件的assert可以实现这种检查,注意,它仅在debug模式下生效。其功能:判断一条件表达式的值是否为True,若不为真,则程序终止,并报错】

动态申请的数组是没有名字的,需要用指针使用。

创建多维数组: new 类型名 T[数组第1维长度][数组第2维长度]……;
第1维长度可以是任何结果为正整数的表达式,其他各维数组长度必须是结果为正整数的常量表达式。
申请成功后,new返回一个指向新分配内存的首地址的指针,指向T类型数组的指针。
数组元素个数:除最左边一维外各维下标表达式的乘积。

2)STL中的vector类模板

new动态数组不能在使用过程中动态扩展空间,而vector作为向量容器,可以动态的扩展容器空间。
vector定义动态数组: vector<元素类型>数组对象名(数组长度表达式);

vector定义的数组对象的所有元素都会被初始化
若数组元素为基本数据类型,所有元素初始化为0;
若数组元素为类类型,调用类的默认构造函数初始化;【该种动态数组要保证作为数组元素的类具有默认构造函数】
初值可以指定,但只能为所有元素指定相同初值,形式:
vector<元素类型>数组对象名(数组长度,元素初值);

vector数组对象元素访问方式:数组对象名[下标表达式],数组对象名表示的是一个数组对象,而非数组首地址。
数组对象不是数组,而是封装了数组的对象。

int n=5;  vector<double>arr(n);  arr.size();----返回数组容器大小,实际有效的元素个数。

动态扩容实现:数组的空间不足时,vector对象自动用new分配一块更大区域,使用赋值运算符=将原有数据赋值到新的空间,并释放原有空间。为提高效率,vector数组每次扩充容量时,新容量都是前一次的两倍。
arr.capacity();---返回数组的容量,所能容纳的元素数目。
arr.reserve(n);---n是整型数据,若当前容量≥n,什么也不做;否则扩大arr容量,使arr容量不小于n.
使用动态数组要尽量减少改变数组容量大小的次数。【每次扩容需要大量额外操作】在向vector中插入大量数据前,粗略估计插入元素之后的向量元素的大小,在插入前使用reserve确保该部分空间被分配,避免多次重新分配空间。
插入新元素时,插入位置之后的元素都被顺序向后移动,插入操作效率并不高。要注意在不同位置上插入可能导致某些迭代器、指针和引用的失效。
删除向量中元素时,被删除元素后面的元素都会被向前移动,将被删去元素留下的空位补上。删除元素之后的迭代器、指针和引用会失效。删除元素时,并不会释放空闲空间,可用vector<T>(s.begin(),s.end()).swap(s);  【用s的内容创建临时的vector对象,将该容器与s交换,s原先占有的空间便属于临时对象,执行完该句后,临时对象被析构、释放】释放空闲空间。

面试题目3:二维数组中的查找

在一个二维数组中,每一行都按照从左到右递增的顺序排序,每一列都按照从上到下的顺序排序。请完成一个函数,输入这样的一个二维数组和整数,判断数组中是否含有该整数。

思路与分析:二维数组在内存中连续存放。内存中从上到下存储各行元素,同一行中则由左到右存储各元素。通过观察具有该特性的具体的二维数组,找到查找规律。可以选择从左下角或者右上角(以此为例)的数字开始进行查找,若等于要查找的数字,查找结束;若该数字大于要查找的数字,则剔除这个数字所在的列;若该数字小于要查找的数字,则剔除该数字所在行。不断缩小范围直至找到要查找的数字,或查找范围为空。
#include <iostream>  
using namespace std;
bool FindKey(int a[][4], int rows, int columns, int value)
{
	int row = 0;
	int column = columns - 1;
	while (row<rows&&column >= 0)
	{
		if (a[row][column] == value)
		{
			return true;
		}
		else if (a[row][column] > value)
		{
			column--;
		}
		else
		{
			row++;
		}
	}
	return false;


}
int main()
{
	int a[4][4] = { 1, 2, 8, 9, 2, 4, 9, 12, 4, 7, 10, 13, 6, 8, 11, 15 };
	bool flag = FindKey(a, 4, 4, 7);
	if (flag)
	{
		cout << "find" << endl;
	}
	else
		cout << "not find" << endl;
	system("pause");
	return 0;
}

其实代码可以写的更完善些的。。。 敲打 敲打
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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