2437. 有效时间的数目

2437.有效时间的数目

给你一个长度为 5 的字符串 time ,表示一个电子时钟当前的时间,格式为 “hh:mm” 。最早 可能的时间是 “00:00” ,最晚 可能的时间是 “23:59” 。

在字符串 time 中,被字符 ? 替换掉的数位是 未知的 ,被替换的数字可能是 0 到 9 中的任何一个。

请你返回一个整数 answer ,将每一个 ? 都用 0 到 9 中一个数字替换后,可以得到的有效时间的数目。

示例 1:
输入:time = “?5:00”
输出:2
解释:我们可以将 ? 替换成 0 或 1 ,得到 “05:00” 或者 “15:00” 。注意我们不能替换成 2 ,因为时间 “25:00” 是无效时间。所以我们有两个选择。

示例 2:
输入:time = “0?:0?”
输出:100
解释:两个 ? 都可以被 0 到 9 之间的任意数字替换,所以我们总共有 100 种选择。

方法一:暴力枚举

直接枚举从00∶00到23∶59的所有时间,然后判断每个时间是否有效,
满足要求则答案加一。

class Solution {
    public int countTime(String time) {
     int count=0;
        for (int i = 0; i <24 ; i++) {
            for (int j = 0; j <60 ; j++) {
               //转化为对应的时间格式
                String s=String.format("%02d:%02d",i,j);
                int cnt=1;
                for (int k = 0; k <5 ; k++) {
                 //判断是否满足条件,满足则判断下一个字符
                 //不满足,则cnt为0,直接判断下一个字符串
                    if (s.charAt(k)!=time.charAt(k)&&time.charAt(k)!='?'){
                        cnt=0;
                        break;
                    }
                }
                count+=cnt;
            }
        }
      return count;
    }
}

在这里插入图片描述

方法二:分开枚举

分开枚举小时和分钟,分别统计有多少个小时和分钟满足条件,然后将二者对应的值相乘,得到最终的答案。

class Solution {
    public int countTime(String time) {
       //小时的个数
       int num_h=f(time.substring(0,2),24);
       //分钟的个数
       int num_m=f(time.substring(3),60);
       return num_h*num_m;
    }
     private static int f(String s,int num){
        int cnt=0;
        for (int i = 0; i <num ; i++) {
         //判断小时或者分钟第一个和第二个字符是否满足条件
          if ((s.charAt(0)=='?'||(s.charAt(0)-'0'==i/10)) 
             && (s.charAt(1)=='?'||(s.charAt(1)-'0'==i%10)))
          ++cnt;
        }
        return cnt;
    }
}

在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
卷积神经网络(Convolutional Neural Network,CNN)是一种常用于图像处理和计算机视觉任务的深度学习模型。在CNN中,每个卷积层都会提取输入图像的特征,并将其表示为特征图。特征图的数量取决于卷积层中的卷积核数量。 如果卷积神经网络的特征值数目过多,可能会导致以下问题: 1. 参数量过大:每个特征值都需要一定数量的参数来进行计算,如果特征值数目过多,网络的参数量也会相应增加。这会增加模型的复杂度和训练的时间成本。 2. 内存消耗过大:特征值数目过多会导致卷积层输出的特征图尺寸变大,进而增加了内存的消耗。这可能会导致在资源受限的设备上无法有效地运行模型。 3. 过拟合:如果特征值数目过多,模型可能会过度拟合训练数据,导致在未见过的数据上表现不佳。过拟合是指模型在训练数据上表现良好,但在测试数据上表现较差的现象。 为了解决特征值数目过多的问题,可以考虑以下方法: 1. 减少卷积核数量:通过减少卷积层中的卷积核数量,可以降低特征值的数目。这样可以减少模型的参数量和内存消耗。 2. 使用池化层:池化层可以对特征图进行下采样,减小特征图的尺寸。这样可以降低内存消耗,并且可以提取更加抽象的特征。 3. 正则化技术:使用正则化技术如Dropout、L1/L2正则化等可以减少过拟合问题,提高模型的泛化能力。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

yjg_

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