28.搜索二维矩阵

描述

写出一个高效的算法来搜索 m × n矩阵中的值。

这个矩阵具有以下特性:

  • 每行中的整数从左到右是排序的。
  • 每行的第一个数大于上一行的最后一个整数。
您在真实的面试中是否遇到过这个题?   是

样例

考虑下列矩阵:

[
  [1, 3, 5, 7],
  [10, 11, 16, 20],
  [23, 30, 34, 50]
]

给出 target = 3,返回 true

挑战

O(log(n) + log(m)) 时间复杂度

根据事件复杂度要求可以采取两次二分查找。

二分法对于边缘的判断不太友好,所以要注意边缘的检测。

class Solution {
public:
    /**
     * @param matrix: matrix, a list of lists of integers
     * @param target: An integer
     * @return: a boolean, indicate whether matrix contains target
     */
    bool searchMatrix(vector<vector<int>> &matrix, int target) {
        // write your code here
        if(matrix.size()==0) return false;
        
        int targetNum=-1;
        int start=0;
        int end1=matrix.size()-1;
        int end2=matrix[end1].size()-1;
        
        if(matrix[start][0]>target) return false;
        if(matrix[start][0]==target) return true;
        if(matrix[start][end2]>target) targetNum=start;
        
        if(matrix[end1][end2]<target) return false;
        if(matrix[end1][end2]==target) return true;
        if(matrix[end1][0]<target) targetNum=end1;
        
        while(targetNum==-1&&end1>start){
            int i=(start+end1)/2;
            if(matrix[i][0]==target) return true;
            else if(matrix[i][0]>target){
                if(matrix[i-1][0]==target) return true;
                else if(matrix[i-1][0]<target) targetNum=i-1;
                else if(matrix[i-1][0]>target) end1=i-1;
            }
            else if(matrix[i][0]<target){
                if(matrix[i+1][0]==target) return true;
                else if(matrix[i+1][0]>target) targetNum=i;
                else if(matrix[i+1][0]<target) start=i+1;
            }
        }
        
        start=0;
        if(matrix[targetNum][end2]<target) return false;
        if(matrix[targetNum][end2]==target) return true;
        
        while(end2>start+1){
            int i=(start+end2)/2;
            if(matrix[targetNum][i]==target) return true;
            else if(matrix[targetNum][i]>target) end2=i;
            else if(matrix[targetNum][i]<target) start=i;
        }
        return false;
    }
};

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,因为它们有记忆功能,能够捕捉数据的时间依赖性。 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和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,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