leetcode-357-Count Numbers with Unique Digits

此题的总结:
求解 最大爆破值, 是一个 倒序 二分法问题,最终的原子结构是连续的三个数。
连续的三个数,可以 往上递推 间隔一个数的三个数,间隔n个数的三个数
特点在于:每一次递推,都有可能改变当前槽位值,因为,i,j不变,由于间隔变化,变得是取得间隔点。
局部最优公式: dpi=max(dpi,nums[i] nums[center]nums[j]+dpi+dpcenter)
应用: 推理,后面的依赖于前面的,可以用二分法。 三个变量的dp,需要考虑迭代自身位置的值,只用两个索引。
    此模型的特殊性: 相邻的三个值可以得到一个爆破值, 相邻的两个值相当于没有值,赋予0.
类比:二分法求极值。 通过二分确定具体的位置。 此处 二分确定确定之前的最大爆破值。
    二分法求极值的两个值想等。  边界值:长度不满足要求,说明不在计量范围内,可以赋予0.
    编辑距离:从前到后,遍历,依次求最小的移动距离。   此处 二分法到极值是三个连续的数,从相邻三个数的固定值,逐次放宽范围,确定越来越宽的爆破值。
总结:dp的应用,相邻作为局部,跳跃位置作为局部
class Solution(object):
    def maxCoins(self, nums):
        """
        :type nums: List[int]
        :rtype: int
        """
        assert isinstance(nums,list)
        nums.insert(0,1)
        nums.append(1)
        # row=[0]*len(nums)
        length=len(nums)
        max_coins=[[0]*length for _ in range(length)]
        # print(nums)
        # print(max_coins)
        for k in range(2,length):
            for index_i,i in enumerate(nums[:length-k]):
                index_j=index_i+k
                # print(index_i,index_j)
                for i in range(index_i+1,index_j):
                    elem1=max_coins[index_i][index_j]
                    print(index_i,i,index_j)
                    elem2=max_coins[index_i][i]+max_coins[i][index_j]+nums[index_i]*nums[i]*nums[index_j]
                    max_coins[index_i][index_j]=max(elem1,elem2)
        # print(max_coins)
        return max_coins[0][-1]


if __name__=='__main__':
    st=Solution()
    input_list=[3, 1, 5, 8]
    out=st.maxCoins(input_list)
    print(out)
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