如何表示数组所有数都不等于一个数_力扣刷题那些事儿(3)-缺失的第一个正整数(41)...

f6d790825ebf4c7d668f8982565b62d9.png

问题描述

官网题目地址:

力扣​leetcode-cn.com

问题分析

典型的 “看起来很简单” 的题目,但再仔细看发现要求时间复杂度和空间复杂度要求就知道自己错了。

简单描述就是从 1~无穷大到所有整数中,对比输入的数,找到第一个缺失的即可。

首先最容易想到的应该就是 hash,因为把所有正整数往里面一丢,再一个一个查就可以了。但是题目要求不能有额外的空间开销。

如果使用hash map的,空间开销为 O(n),不符合题目要求为 O(1)。

解决方法

用一个数组当做hash map,因为数组中每个元素除了有实际数值,同时也有自己特有的下标,这个与map中的键值对是一样到。

对于输入数组nums与数组尺寸numsSize,首先需要证明两件事情:

  • 不需要考虑输入数据中的负数与0。因为需要找到没有出现的最小的正整数,所以很明显输入数据中的负数与0对输出结果没有影响。
  • 不需要考虑数组中大于或者等于 numsSize 的数。如果把缺失数据当成失误的话,那最完美的情况应该是从 1~numsSize 所有小朋友都到齐了。所以最大数为 numsSize;如果还存在负数、0或者大于numsSize 的数的话,说明从 1~numsSize 肯定存在缺席的小朋友。排排坐的道理很容易理解。

在证明了这两件事情之后,就可以放心的使用数组替代 map 或者 set 了。(数组下标不能为负数和大于 numsSize 的数)

接着需要思考如何使用数组作为map,比如说当输入数据为 [1, 3, 4, -1, 8] 的时候,循环的时候当遇到 1 时,对下标为 0 的数打个标记说这个小朋友到了,遇到 3 的时候把下标为 2 的数进行标记……因为 -1 为负数而 8 > numsSize 所以不必考虑。

最后标记完后,再循环一次,发现下标为 1 的没有被标记,所以第二个小朋友没来。

细节处理

如果输入数据为 [2, 1, 3, 5] 的时候,首先读到第一个数 2 的时候会对nums[1] 进行标记,但是继续往后面读,发现以前的 num[1] 被标记了,所以对于标记这个工作,既需要比较 a[1] 表示第二个数存在,又要保证接下来的访问读取不出错。所以需要定个规则,保证标记与原始数据信息都能存在。

这里采用的方法是添负号标记,求绝对值读取。

代码如下:

int firstMissingPositive(int* nums, int numsSize){
    // 1. 将负数变为 N+1,表示不在考虑范围内
    int i;
    for(i=0; i<numsSize; i++) {
        if(nums[i] <= 0) {
            nums[i] = numsSize + 1;
        }
    }

    // 2. 把出现过的数进行标记
    for(i=0; i<numsSize; i++) {
        // 防止前面的数标记了这个数导致下标为负数的错误
        int num = abs(nums[i]);
        if(num <= numsSize) {
            nums[num-1] = - abs(nums[num-1]);
        }
    }

    // 3. 找到没有标记的下标
    for(i=0; i<numsSize; i++) {
        if(nums[i] > 0) {
            return i+1;
        }
    }

    return numsSize+1;
}  

总结

两个亮点:

  • 使用数组替代map或者set。
  • 标记时保存了原始数据信息。
何言以对
2020.8.26 11:20
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,生成器生成据,判别器评估据的真实性。 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(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。 9. **损失函(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。 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