leetcode 164. Maximum Gap

164. Maximum Gap

Given an unsorted array, find the maximum difference between the successive elements in its sorted form.

Try to solve it in linear time/space.

Return 0 if the array contains less than 2 elements.

You may assume all elements in the array are non-negative integers and fit in the 32-bit signed integer range.


way-1:用map,时间是O(nlogn)

way-2: 用桶排序

 首先对数组进行桶排序,然后找出最大的gap。

  首先明确,最大的gap肯定是后桶的最小值减去前桶的最大值,注意此处说的桶均为有效桶,即不包括空桶。

  因此无需进行桶内排序,仅需记录每个有效桶的最大值和最小值即可。

  为何最大的gap肯定是后桶的最小值减去前桶的最大值?

  假设有数组x[1...n],其中最大的元素为max,最小元素为min,将左闭右开的实数区间[min,max)划分为n-1个等长的子区间(桶),每个子区间也是左闭右开的,我们用len来表示每个子区间的长度。除去max和min,剩下的n-2个数,每个数都属于其中一个桶。对于同一个桶的两个数,因为桶是左闭右开的,所以他们的距离肯定是小于len的。然后,关键的一点是,n-2个数放进n-1个桶,由抽屉原理可以知道,肯定有一个桶是空的,所以,距离最远的相邻的两个数,肯定是属于两个不同的桶。于是,我们可以把每个桶都扫描一次,相邻最远的两个数,必定其中一个是某个桶里的最大值,另一个是另一个桶里的最小值。

class Solution {
public:
    int maximumGap(vector<int>& nums) 
    {
        if (nums.size() < 2)
            return 0;
           
        map<int,int> pp;
        for (int i = 0; i < nums.size(); i++)
            pp[nums[i]]++;
             
        int ret = 0;    
        int lastnum = -1;
        for(auto it = pp.begin(); it != pp.end(); it++)
        {
            if (lastnum != -1)
                ret = max(ret , (it->first - lastnum) );
            lastnum = it->first;
        }
        return ret;
    }
};
class Solution {
public:
    int maximumGap(vector<int>& nums)
    {
        if (nums.size() < 2) return 0;
        int minn = INT_MAX;
        int maxx = INT_MIN;
        for (int i = 0; i < nums.size(); i++)
        {
            minn = min(minn, nums[i]);
            maxx = max(maxx, nums[i]);
        }
        double len = (maxx - minn) * 1.0 / (nums.size() - 1);   //桶的宽度
        //cout<<len<<endl;
        if(len == 0) return 0;  //防止所有元素一样大
        int cnt = floor((maxx - minn) / len + 1);               //桶的个数
        //cout<<cnt<<endl;
        vector<int> minb(cnt, INT_MAX);
        vector<int> maxb(cnt, INT_MIN);
        for(int i = 0; i < nums.size(); i++)   //元素分入桶
        {
            int id = floor((nums[i] - minn) / len);
            //cout<<"id = "<<id<<endl;
            minb[id] = min(minb[id], nums[i]);
            maxb[id] = max(maxb[id], nums[i]);
        }
        int res = 0, premax = maxb[0];//第一个桶包含最小值,因此一定不为空
        for(int i = 1; i < cnt; i++)
        {
            if(minb[i] != INT_MAX) //判断是否是空桶
            {
                res = max(res, minb[i] - premax);
                premax = maxb[i];
            }
        }
        return res;
    }
};



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