剑指offer:数字在排序数组中出现的次数

注意:在写代码的时候注意细节,注意细节,注意细节,重要的事情说三遍!!!


#include <iostream>
#include <stack>
#include <vector>
#include <algorithm>
#include <string>

using namespace std;


class Solution {
public:
    int GetNumberOfK(vector<int> data ,int k) {
        int start = getFirstPos(data,k,0,data.size()-1);
		int end = getEndPos(data,k,0,data.size()-1);

		int num = 0;

		if(start > -1 && end > -1)
		{
			num = end - start + 1;
		}
		return num;
    }

	/* 得到第一个数字的开始位置*/
	int getFirstPos(vector<int> data, int k ,int start ,int end)
	{
		if(start > end)
			return -1;

		int mid = (start + end) / 2;
		int middata = data[mid];

		

		if(middata == k)
		{
			/* 判断是不是开头 */
			if((mid >0 && data[mid-1] != k) || mid == 0)
			{
				return mid;
			}
			else
			{
				end = mid - 1;
			}
		}
		else
		{
			if(middata > k)
				end = mid -1;
			else
				start = mid + 1;
		}

		
		return getFirstPos(data,k,start,end);
	}

	/* 得到第一个数字的结束位置*/
	int getEndPos(vector<int> data, int k ,int start ,int end)
	{
		if(start > end)
			return -1;

		int mid = (start + end) / 2;
		int middata = data[mid];
		
		if(middata == k)
		{
			/* 判断是不是结尾 */
			if((mid < data.size() - 1  && data[mid+1] != k) || mid == data.size() - 1)
			{
				return mid;
			}
			else
			{
				start = mid + 1;
			}
		}
		else
		{
			if(middata > k)
				end = mid -1;
			else
				start = mid + 1;
		}
		
		return getEndPos(data,k,start,end);
	}


};

int main()
{
	int a[] = {1,2,3,3,3,3,4,5};
	Solution s;

	vector<int> vec(a,a+8);

	cout << s.GetNumberOfK(vec,3)<< endl; 

	return 0;
}


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

打赏作者

dmfrm

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