53. Maximum Subarray && 229. Majority Element II

53. Maximum Subarray

Given an integer array nums, find the contiguous subarray (containing at least one number) which has the largest sum and return its sum.

Example:

Input: [-2,1,-3,4,-1,2,1,-5,4],
Output: 6
Explanation: [4,-1,2,1] has the largest sum = 6.

Follow up:

If you have figured out the O(n) solution, try coding another solution using the divide and conquer approach, which is more subtle.


解法一
遍历数组,每次尽可能延长当前的区间(无论下一个数字的正负),直到遇到一个数字比当前区间所有数加起来的和还大,此时开始遍历新的区间。每次记录下最大的和即为最大子区间的和。

class Solution {
public:
    //O(n)
    int maxSubArray(vector<int>& nums){
        int res = INT_MIN, sum = 0;
        for (auto num: nums){
            sum = max(sum + num, num);  //lengthen or start a new interval
            res = max(sum, res);        
        }
        return res;
    }
}

解法二
分治法,最大子区间要么在左半部分,要么在右半部分,要么在中间
其中中间的区间为从中间为起点,到左、右两边分别sum最大的区间。

class Solution {
public:
    //--divide and conquer--
    int maxSubArray(vector<int>& nums) {
        return div_con(nums, 0, nums.size() - 1);
    }
    int div_con(vector<int>& nums, int s, int n){
        if (n < s) return 0;
        if (n == s) return nums[s];
        int mid = (s + n) / 2;
        //left , right
        int left_max = div_con(nums, s, mid);
        int right_max = div_con(nums, mid + 1, n); 
        //middle = part of left and part of right
        int mid_left_max = INT_MIN, mid_left = 0;
        for (int i = mid; i >= 0; i--){
            mid_left += nums[i];
            mid_left_max = max(mid_left_max, mid_left);
        }
        int mid_right_max = INT_MIN, mid_right = 0;
        for (int i = mid + 1; i <= n; i++){
            mid_right += nums[i];
            mid_right_max = max(mid_right_max, mid_right);
        }
        int middle_max = mid_left_max + mid_right_max;
        if (left_max > right_max) return max(left_max, middle_max);
        return max(right_max, middle_max);
    }
};
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