3rd__80. Remove Duplicates from Sorted Array II__【400_LeetCode之路】

 

/// Source : https://leetcode.com/problems/remove-duplicates-from-sorted-array-ii/description/
/// Author : liuyubobobo
/// Time   : 2016-12-26
#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

/// Ad-Hoc
/// Time Complexity: O(n)
/// Space Complexity: O(1)
class Solution {
public:
	int removeDuplicates(vector<int>& nums) {

		int i = 0;
		int j = 0;
		//当j < nums.size()  可以保证nums[j]不会越界
		while (j < nums.size()) {
			int k = nextIndex(nums, j);		//一开始就返回
			int len = min(2, k - j);		//使用2作为对比,所以要么是1,要么是2,最多是2。这是天才的做法!
			for (int ii = 0; ii < len; ii++)
				nums[i + ii] = nums[j];		//新的一组数  角标从j开始的
			i += len;		//执行完 for 循环之后,重新计算i值,用来作为角标 指导目标数组的存放
			j = k;		//用来跳出 while 循环
		}

		return i;		//返回最终剩下的数的长度
	}

private:
	int nextIndex(const vector<int>& nums, int index) {
		for (int i = index+1; i < nums.size(); i++)
		//for (int i = index; i < nums.size(); i++)		//原来写的是 int i = index 但我认为应该写成 int i = index+1 比较好,省去了每一次i++后面的for循环里的自己和自己对比
			if (nums[i] != nums[index])
			{
				return i;		//如果不相等,就返回i  否则就返回 nums.size()。		return 是直接从子函数中跳出,break只是从当前循环跳出
			}
		return nums.size();		//如果最终全部相等,那就  return nums.size()
	}





	// //私有函数
	// //判定下一个数和当前的数是否相等,如果不相等,就break,且 return p,返回的是最终不相等的那个数的角标
	// private:
	// 	int nextDifferentCharacterIndex(const vector<int> &nums, int p) {
	// 		for (; p < nums.size(); p++)		//for不需要开始条件,  p < nums.size() 是指要从当前数的下一个一直遍历到数组的结尾
	// 			if (nums[p] != nums[p - 1])		//这是和前一个数比
	// 				break;
	// 		return p;
	// 	}
	// };




};
    
    
    
    
    
    
    


/// Source : https://leetcode.com/problems/remove-duplicates-from-sorted-array-ii/description/
/// Author : liuyubobobo
/// Time   : 2016-12-26
// #include <iostream>
// #include <vector>
// #include <algorithm>

// using namespace std;

// /// Ad-Hoc
// /// Time Complexity: O(n)
// /// Space Complexity: O(1)
// class Solution {
// public:
// 	int removeDuplicates(vector<int>& nums) {

// 		int i = 0;
// 		int j = 0;
// 		//当j < nums.size()  可以保证nums[j]不会越界
// 		while (j < nums.size()) {
// 			int k = nextIndex(nums, j);		//一开始就返回
// 			int len = min(2, k - j);		//使用2作为对比,所以要么是1,要么是2,最多是2。这是天才的做法!
// 			for (int ii = 0; ii < len; ii++)
// 				nums[i + ii] = nums[j];		//新的一组数  角标从j开始的
// 			i += len;		//执行完 for 循环之后,重新计算i值,用来作为角标 指导目标数组的存放
// 			j = k;		//用来跳出 while 循环
// 		}

// 		return i;		//返回最终剩下的数的长度
// 	}

// private:
// 	int nextIndex(const vector<int>& nums, int index) {
// 		for (int i = index+1; i < nums.size(); i++)
// 		//for (int i = index; i < nums.size(); i++)		//原来写的是 int i = index 但我认为应该写成 int i = index+1 比较好,省去了每一次i++后面的for循环里的自己和自己对比
// 			if (nums[i] != nums[index])
// 			{
// 				return i;		//如果不相等,就返回i  否则就返回 nums.size()。		return 是直接从子函数中跳出,break只是从当前循环跳出
// 			}
// 		return nums.size();		//如果最终全部相等,那就  return nums.size()
// 	}





// 	// //私有函数
// 	// //判定下一个数和当前的数是否相等,如果不相等,就break,且 return p,返回的是最终不相等的那个数的角标
// 	// private:
// 	// 	int nextDifferentCharacterIndex(const vector<int> &nums, int p) {
// 	// 		for (; p < nums.size(); p++)		//for不需要开始条件,  p < nums.size() 是指要从当前数的下一个一直遍历到数组的结尾
// 	// 			if (nums[p] != nums[p - 1])		//这是和前一个数比
// 	// 				break;
// 	// 		return p;
// 	// 	}
// 	// };




// };









// int main() {

// 	vector<int> nums1 = { 1, 1, 1, 2, 2, 3 };
// 	cout << Solution().removeDuplicates(nums1) << endl;









// 	//下列程序的结论是
// 	//i++ ++i  后面有 for 循环时,循环中的 i 值都没有变化,并没有被+1 
// 	cout << "pause" << endl;
// 	vector<int> nums2 = { 1, 2, 3 };
// 	for (int i = 0;  i < nums2.size(); ++i)
// 	//for (int i = 0; i < nums2.size(); i++)
// 		{
// 			cout << nums2[i] << endl;
// 		}




// 	system("pause");
// 	return 0;
// }

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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