leetcode 204. Count Primes

这道题是easy标签的,我的做法效率比较低,涉及到一种经典的找素数的方法,在这里记录一下。

问题一:求前n个数里有几个素数。

解法一:经典算法(埃拉托斯特尼筛法)

class Solution {
public:
    int countPrimes(int n) {
    vector <bool> isprime(n,true);
    for (int i = 2; i*i < n; i++){
        if (!isprime[i]) continue;
        for (int j = i; j*i < n;j++){
            isprime[j*i]  = false;
        }
    }
    int count = 0;
    for(int i = 2; i<n; i++){
        if(isprime[i]) count++;
    }
    return count;
    
    }
};

确点是要跑两遍n,不是很方便。

解法二:

class Solution {
public:
    int countPrimes(int n) {
        vector<bool> notprime(n,false);
        int count = 0;
        for(int i = 2; i < n; i++){
            if(notprime[i] == false){
                count++;
                if(i*i < n){
                    for(int j = 2; i*j < n; j++){
                      notprime[i*j] = true;  
                    }
                }
            }
        }
        return count;
    }
};

改良版,只跑一遍,原理是一样的都是用一个动态数组存储是否为素数,减少计算次数。

相当于牺牲空间也减少时间。

for(int j = 2; i*j < n; j++) 里面理论上可以写成for(int j = i; i*j < n; j++), 更加合理,但是leetcode上会出runtime error, 可能是数字过大的时候,i更新不及时?不知道,在10000以下都没问题,就这样吧, j = 2可以过。

问题二:打印前n个素数。用上述解法二的代码很方便。

leetcode好像没有这个题,但是网上用暴力求解比较多。看到大多用比较暴力的方法求解,也可以用上面这两种方法,但有一个问题是isprime设多大的初始空间。看到int limit = nth < 6 ? 25 : (int)(nth * (Math.Log(nth) + Math.Log(Math.Log(nth))));

这种处理方式,应该是对的,但目前不知道怎么证明,n个素数要是n<6,就是25,要么就一定在(nth * (Math.Log(nth) + Math.Log(Math.Log(nth))))这么大的数里,大数定理?忘了。。。

暴力法就不提了一个一个判断就行了。

附上暴力法代码,经典解法其实不管怎么样都会多算,所以对于问题二暴力法好?

#include <iostream>
bool isprime(int n) {
    for(int i = 2; i*i <= n;i++){
        if(n%i == 0)
            return false;
    }
    return true;
}
int main() {
    int n = 100, count = 0;
    for (int i = 2; ; i++){
        if(count == n)
                break;
        if(isprime(i) == true){
            cout<<i<<endl;
            count++;
        }
    }
}
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