Leetcode 121. 买卖股票的最佳时机(DAY 26) ---- 动态规划学习期


原题题目


在这里插入图片描述


代码实现(首刷自解) 一遍遍历 但为什么效率极低



int maxProfit(int* prices, int pricesSize){
    int i,min = INT_MAX,max = -1,profit = -1;
    for(i=0;i<pricesSize;i++)
    {
        if(prices[i] < min)
        {
            min = prices[i];
            max = prices[i];
        }
        else 
        {
            if(prices[i] > max)
            {
                max = prices[i];
            	if(max - min > profit)
            		profit = max - min;
            }
        }
    }
    return profit;
}

代码实现(二刷C++ 整理股票博客)


class Solution {
public:
    int maxProfit(vector<int>& prices) {
        int size = prices.size(),minbuy = prices[0],maxsold = 0;
        for(const auto& num:prices)
        {
            maxsold = max(maxsold,num-minbuy);
            minbuy = min(minbuy,num);
        }
        return maxsold;
    }
};

代码实现(三刷自解 DAY 137 整理TOP 精选面试题)


class Solution {
public:
    int maxProfit(vector<int>& prices) {
        int maxbuy = -prices[0],maxsell = 0;
        for(int i=1;i<prices.size();++i)
        {
            maxsell = max(maxsell,maxbuy+prices[i]);
            maxbuy = max(maxbuy,-prices[i]);
        }
        return maxsell;
    }
};

代码实现(四刷自解 DAY 222 C++)


class Solution {
public:
    int maxProfit(vector<int>& prices) {
        int prebuy = -prices[0],profit = 0;
        for(int i = 1;i < prices.size();++i)
        {
            profit = max(profit,prices[i] + prebuy);
            prebuy = max(prebuy,-prices[i]);
        }
        
        return profit;
    }
};

代码实现(五刷自解 DAY 243 C++)


class Solution {
public:
    int maxProfit(vector<int>& prices) {
        int prebuy = -prices[0],presold = 0,cold_sold = 0,nowbuy = 0,nowsold = 0;
        int size = prices.size();
        for(int i = 1;i < size;++i)
        {
            cold_sold = presold;
            nowsold = prebuy + nums[i];
            nowbuy = max(cold_sold - nums[i],nowbuy);
            presold = max(prices[i],presold);
        }

        return max(presold,nowsold);
    }
};

代码实现(六刷自解 DAY 269 C++)


class Solution {
public:
    int maxProfit(vector<int>& prices) {
      int buy = -prices[0], sold = 0;
      int size = prices.size();
      for (int i = 1; i < size; ++i) {
        sold = max(buy + prices[i], sold);
        buy = max(buy, -prices[i]);      
      }  
      return sold;
    }
};

代码实现(七刷自解 DAY 2 Golang)


func max(x, y int) int {
  if x >= y {
    return x
  } else {
    return y
  }
}

func maxProfit(prices []int) int {
  prebuy, presold := -prices[0], 0

  for i := 1; i < len(prices); i++ {
    presold = max(presold, prebuy + prices[i])
    prebuy = max(prebuy, -prices[i])
  }
  return presold
}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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. **长短记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习依赖关系,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

打赏作者

Love 6

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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