快速排序


package com.atguigu.sort


import scala.util.Random
import scala.util.control.Breaks

/**
  * @author wade 
  * @create 2019-04-07 23:41 
  */
object QuickSort {
  def main(args: Array[String]): Unit = {
    /**
      * 从中间分成两个数组
      * 左边数组的所有的值要比右边任意一个值都要小
      * 然后递归继续循环
      */
    //      val ints = Array(11,7,4,9,2,10,66,44,99,26)
    //    println("fsadf")
    //   quickSort(ints,0,ints.length-1)
    //
    //    println(ints.mkString(" "))

    val arr = new Array[Int](80000000)
    val random = new Random()
    for (i <- 0 until arr.length) {
      arr(i) = random.nextInt(80000000)
    }
    //val arr = Array(2,2,3,6,4)
    //  1,2,2,2,6,5,3
    println("=====排序开始=====")
    val start: Long = System.currentTimeMillis()

    quickSort(arr, 0, arr.length - 1)
    //quickSort11(0,arr.length-1,arr)
    //    println(arr.mkString(" "))
    val end: Long = System.currentTimeMillis()
    println("共耗时毫秒" + (end - start))

  }

  def quickSort(arr: Array[Int], left: Int, right: Int): Unit = {
    var l = left
    var r = right
    //var mid = (l+r)/2  为什么不用  arr(mid) 来表示中间的值,因为数组在变
    var pivot = arr((l + r) / 2)

    var temp = 0

    /**
      * 左边的都比中间值小,右边都比中间值大
      */
    Breaks.breakable(
      while (l < r) {
        while (arr(l) < pivot) {

          l += 1
        }
        while (arr(r) > pivot) {

          r -= 1
        }

        if (l >= r) {
          Breaks.break()
        }

        /**
          * 交换
          */
        temp = arr(l)
        arr(l) = arr(r)
        arr(r) = temp

        /**
          * 下面这两个判断一定要加上
          * 1、提高点效率,如果其中一个是pivot,提前减了,少进次循环
          * 重点!!
          * 2、若两个都是,那么就需要 -1,如果不加,
          * 有相同元素的话,会在某次递归中进入死循环
          */
        if (arr(l) == pivot) {
          r -= 1
        }
        if (arr(r) == pivot) {
          l += 1
        }
      }
    )
    if (l == r) {
      l += 1
      r -= 1
    }

    //循环完毕  ,那么左边的所有的值都比右边的小
    //进行递归
    //向左递归
    if (left < r) {
      quickSort(arr, left, r)
    }
    //向右递归
    if (right > l) {
      quickSort(arr, l, right)
    }

  }


}
/**
2,3,3,6,4

  */

 

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