Leetcode精选50题-Day08

062 不同路径

1. 题目描述

一个机器人位于一个 m x n m x n mxn 网格的左上角 (起始点在下图中标记为 “Start” )。

机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角(在下图中标记为 “Finish” )。

问总共有多少条不同的路径?
在这里插入图片描述

提示

  • 1 < = m , n < = 100 1 <= m, n <= 100 1<=m,n<=100
  • 题目数据保证答案小于等于 2 ∗ 1 0 9 2 * 10^9 2109

2. 思路&代码

2.1 动态规划

我们用 f ( i , j ) f(i, j) f(i,j) 表示从左上角走到 ( i , j ) (i, j) (i,j) 的路径数量,其中 i i i j j j 的范围分别是 [ 0 , m ) [0, m) [0,m) [ 0 , n ) [0, n) [0,n)

由于我们每一步只能从向下或者向右移动一步,因此要想走到 ( i , j ) (i, j) (i,j),如果向下走一步,那么会从 ( i − 1 , j ) (i-1, j) (i1,j) 走过来;如果向右走一步,那么会从 ( i , j − 1 ) (i, j-1) (i,j1) 走过来。因此我们可以写出动态规划转移方程:

f ( i , j ) = f ( i − 1 , j ) + f ( i , j − 1 ) f(i, j) = f(i-1, j) + f(i, j-1) f(i,j)=f(i1,j)+f(i,j1)

需要注意的是,如果 i = 0 i=0 i=0,那么 f ( i − 1 , j ) f(i-1,j) f(i1,j) 并不是一个满足要求的状态,我们需要忽略这一项;同理,如果 j = 0 j=0 j=0,那么 f ( i , j − 1 ) f(i,j-1) f(i,j1) 并不是一个满足要求的状态,我们需要忽略这一项。

初始条件为 f ( 0 , 0 ) = 1 f(0,0)=1 f(0,0)=1,即从左上角走到左上角有一种方法。

最终的答案即为 f ( m − 1 , n − 1 ) f(m-1,n-1) f(m1,n1)

细节

为了方便代码编写,我们可以将所有的 f ( 0 , j ) f(0, j) f(0,j) 以及 f ( i , 0 ) f(i, 0) f(i,0) 都设置为边界条件,它们的值均为 1 1 1

class Solution:
    def uniquePaths(self, m: int, n: int) -> int:
        f = [[1] * n] + [[1] + [0] * (n - 1) for _ in range(m - 1)]
        print(f)
        for i in range(1, m):
            for j in range(1, n):
                f[i][j] = f[i - 1][j] + f[i][j - 1]
        return f[m - 1][n - 1]

2.2 组合数学

思路与算法

从左上角到右下角的过程中,我们需要移动 m + n − 2 m+n-2 m+n2 次,其中有 m − 1 m-1 m1 次向下移动, n − 1 n-1 n1 次向右移动。因此路径的总数,就等于从 m + n − 2 m+n-2 m+n2 次移动中选择 m − 1 m-1 m1 次向下移动的方案数,即组合数:

C m + n − 2 m − 1 = ( m + n − 2 m − 1 ) = ( m + n − 2 ) ( m + n − 3 ) ⋯ n ( m − 1 ) ! = ( m + n − 2 ) ! ( m − 1 ) ! ( n − 1 ) ! {\Large C}_{m+n-2}^{m-1} = \binom{m+n-2}{m-1} = \frac{(m+n-2)(m+n-3)\cdots n}{(m-1)!} = \frac{(m+n-2)!}{(m-1)!(n-1)!} Cm+n2m1=(m1m+n2)=(m1)!(m+n2)(m+n3)n=(m1)!(n1)!(m+n2)!

因此我们直接计算出这个组合数即可。计算的方法有很多种:

如果使用的语言有组合数计算的 A P I API API,我们可以调用 A P I API API 计算;

如果没有相应的 A P I API API,我们可以使用 ( m + n − 2 ) ( m + n − 3 ) ⋯ n ( m − 1 ) ! \frac{(m+n-2)(m+n-3)\cdots n}{(m-1)!} (m1)!(m+n2)(m+n3)n 进行计算。

class Solution:
    def uniquePaths(self, m: int, n: int) -> int:
        return comb(m + n - 2, n - 1)

070 爬楼梯

1. 题目描述

在这里插入图片描述

2. 思路&代码

参考:Orust

2.1 直接递归解法
# 直接递归解法,容易超时,python可以加个缓存装饰器,这样也算是将递归转换成迭代的形式了
# 除了这种方式,还有增加步长来递归,变相的减少了重复计算
# 还有一种方法,在递归的同时,用数组记忆之前得到的结果,也是减少重复计算
class Solution:
    @functools.lru_cache(100)  # 缓存装饰器
    def climbStairs(self, n: int) -> int:
        if n == 1: return 1
        if n == 2: return 2
        return self.climbStairs(n-1) + self.climbStairs(n-2)
2.2 直接DP,空间复杂度O(n)
# 直接DP,新建一个字典或者数组来存储以前的变量,空间复杂度O(n)
class Solution:
    def climbStairs(self, n: int) -> int:
        dp = {}
        dp[1] = 1
        dp[2] = 2
        for i in range(3,n+1):
            dp[i] = dp[i-1] + dp[i-2]
        return dp[n]
2.3 还是DP,空间复杂度O(1)
# 还是DP,只不过是只存储前两个元素,减少了空间,空间复杂度O(1)
class Solution:
    def climbStairs(self, n: int) -> int:
        if n==1 or n==2: return n
        a, b, temp = 1, 2, 0
        for i in range(3,n+1):
            temp = a + b
            a = b
            b = temp
        return temp
2.4 斐波那契数列的计算公式
# 直接斐波那契数列的计算公式喽
class Solution:
    def climbStairs(self, n: int) -> int:
        import math
        sqrt5=5**0.5
        fibin=math.pow((1+sqrt5)/2,n+1)-math.pow((1-sqrt5)/2,n+1)
        return int(fibin/sqrt5)
2.5 面向测试用例编程
# 面向测试用例编程
class Solution:
    def climbStairs(self, n: int) -> int:
        a = [1,2,3,5,8,13,21,34,55,89,144,233,377,610,987,1597,2584,4181,6765,10946,17711,28657,46368,75025,121393,196418,317811,514229,832040,1346269,2178309,3524578,5702887,9227465,14930352,24157817,39088169,63245986,102334155,165580141,267914296,433494437,701408733,1134903170,1836311903]
        return a[n-1]

078 子集

1. 题目描述

在这里插入图片描述

2. 思路&代码

2.1 库函数

powcai

class Solution:
    def subsets(self, nums: List[int]) -> List[List[int]]:
        res = []
        for i in range(len(nums)+1):
            for tmp in itertools.combinations(nums, i):
                res.append(tmp)
        return res
2.3 迭代
class Solution:
    def subsets(self, nums: List[int]) -> List[List[int]]:
        res = [[]]
        for i in nums:
            res = res + [[i] + num for num in res]
        return res

2.3 递归(回溯算法)
class Solution:
    def subsets(self, nums: List[int]) -> List[List[int]]:
        res = []
        n = len(nums)
        
        def helper(i, tmp):
            res.append(tmp)
            for j in range(i, n):
                helper(j + 1,tmp + [nums[j]] )
        helper(0, [])
        return res  
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问之一。由于各类物体有不同的外观、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有挑战性的问。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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