附加题 51-53

面试题51:数组中重复的数字

题目:对于一个长度为n的数组里所有的数字都在0到n-1的范围内。查找重复数字。

方法一

  • 首先对数组进行排序,然后遍历数组查找重复的数字,这样的时间复杂度为O(nlogn);
  • 或者建立一个哈希表,这样实在O(n)的时间查找到,但是空间复杂度O(n)。

方法二

**空间复杂度为O(1)**的算法如下,

  • 因为数字在0~n-1的范围内,那么如果数字没有重复,那么当数组排序之后数字 i 将出现在下标为 i 的位置,但是有重复的话,在某个位置j出现的数字将不是j,则需要重排这个数组
  • 从头到尾依次扫描这个数组中的每个数字,
    • 如果下标 i 不是出现数字 i,那么就把数字i和i处的数字进行交换使数字 i 出现在应该出现的位置,
    • 如果新交换的数字还不是他应该出现的位置,继续交换,直至该处的数字 m 等于该处的下标m,
    • 如果在交换的过程中,第i处的位置数字等于第m处的数字,那么我们就找到了第一个重复的数字,记录这个数字,
      如果出现重复数字,这种情况下的重复数字无需交换位置 if nums[i] == nums[nums[i]]:
    • 在从下一个位置继续扫描。
      注意:
# 需要判断数组的组成是否合法
        for i in numbers:
            if i < 0 or i > len(numbers) - 1:
                return False

完整代码:

class Solution(object):
    def findDuplicate(self, nums):
        # 判断非法输入
        if nums == [] or len(nums)<=1:
            return False
        # 需要判断数组的组成是否合法
        for i in numbers:
            if i < 0 or i > len(numbers) - 1:
                return False
        # 遍历数组中所有元素
        for i in range(len(nums)):
            # 如果出现 i 位置上的元素,不等于 i
            while i != nums[i]+1:
                # 如果出现重复数字,这种情况下的重复数字无需交换位置
                if nums[i] == nums[nums[i]]:
                    return nums[i]
                else:
                    # 将数字 i 放回它本应属于的位置
                    index = nums[i]
                    nums[i], nums[index] = nums[index], nums[i]

相关题目

如果需要返回多个重复数字,则需要使用一个集合来保存遇到的所有重复数字。

class Solution(object):
    def findDuplicate(self, nums):
        duplication = set()
        # 判断非法输入
        if nums == [] or len(nums)<=1:
            return False
        # 遍历数组中所有元素
        for i in range(len(nums)):
            # 如果出现 i 位置上的元素,不等于 i
            while i != nums[i]+1:
                # 如果出现重复数字,这种情况下的重复数字无需交换位置
                if nums[i] == nums[nums[i]]:
                    duplication.add(nums[i])
                    break
                else:
                    # 将数字 i 放回它本应属于的位置
                    index = nums[i]
                    nums[i], nums[index] = nums[index], nums[i]
        return duplication

面试题52:构建乘积数组

给定一个数组A[0,1,…,n-1],请构建一个数组B[0,1,…,n-1]
其中B中的元素 B [ i ] = A [ 0 ] ∗ A [ 1 ] ∗ . . . ∗ A [ i − 1 ] ∗ A [ i + 1 ] ∗ . . . ∗ A [ n − 1 ] B[i]=A[0]*A[1]*...*A[i-1]*A[i+1]*...*A[n-1] B[i]=A[0]A[1]...A[i1]A[i+1]...A[n1](除 i 位置以外所有的数字)。不能使用除法。

思路梳理

时间复杂度: O ( N ) O(N) O(N)
寻找规律后发现,可以使用两次长度为 N 的循环,

  • 第一层循环正向递归地将各个元素相乘(每个新B 都是前一个B 乘以下一个A 元素);
  • 第二层循环反向地,从后到前地将元素相乘。
# -*- coding:utf-8 -*-
class Solution:
    def multiply(self, A):
        if A == [] or len(A)<=0:
            return 
        length = len(A)
        aList = [1]*length
        for i in range(1, length):
            aList[i] = aList[i-1] * A[i-1]
            
        temp  = 1
        for i in range(length-2, -1, -1):
            temp *= A[i+1]
            aList[i] *= temp
        return aList

面试题53:正则表达式匹配

请实现一个函数用来匹配包括 ′ . ′ &#x27;.&#x27; . ′ ∗ ′ &#x27;*&#x27; 的正则表达式。
模式中的字符 ′ ∗ ′ &#x27;*&#x27; 表示任意一个字符,而 ′ ∗ ′ &#x27;*&#x27; 表示它前面的字符可以出现任意次(包含0次)。在本题中,匹配是指字符串的所有字符匹配整个模式。
例如,字符串"aaa"与模式"a.a"和 &quot; a b ∗ a c ∗ a &quot; &quot;ab*ac*a&quot; "abaca"匹配,但是与"aa.a"和 &quot; a b ∗ a &quot; &quot;ab*a&quot; "aba"均不匹配

思路梳理

困难题目:LeetCode 10
参考答案:https://github.com/Jack-Lee-Hiter/AlgorithmsByPython/blob/master/Target Offer/正则表达式匹配.py

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
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
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