LeetCode——169.多数元素

题目

给定一个大小为 n 的数组,找到其中的多数元素。多数元素是指在数组中出现次数大于 ⌊ n/2 ⌋ 的元素。
你可以假设数组是非空的,并且给定的数组总是存在多数元素。

思路

因为数组非空的,而且一定存在多数元素,即一定存在一个在数组中,元素个数大于n/2的元素,那么,如果我们进行一次排序,下标为n/2的那个数,一定是众数【因为该元素的个数大于n/2个,就算没有数比该众数小或者大,这这个在排完序之后,也肯定会占据n/2的位置】

代码

import java.util.Arrays;

class Solution {
    public int majorityElement(int[] nums) {
        Arrays.sort(nums);
        return nums[nums.length/2];
    }
}

结果

因为采取快排,所以时间复杂度是O(nlogn),没有额外的空间复杂度。不过,这个是一个超级暴力的解法,不好。
在这里插入图片描述

改进思路

可以利用一个hashmap来存放数值与其对应的个数。但是,因为这个,需要遍历的时间就为O(n),遍历一遍数组,还得遍历一下hashmap,速度肯定会降低。不过也是一种解题方法。

改进代码

import java.util.HashMap;
import java.util.Map;

class Solution {
    public int majorityElement(int[] nums) {
        //利用hashmap来解答
        Map <Integer,Integer> count=new<Integer, Integer>HashMap();
        int length=nums.length;//数组长度

        //把所有的数字存放到hashmap里面
        for (int i=0;i<length;++i)
        {
            if (!count.containsKey(nums[i]))
                count.put(nums[i],1);
            else
                count.put(nums[i],count.get(nums[i])+1);
        }

        int max_count=Integer.MIN_VALUE;
        int result=0;// 结果存放 nums[i]
        for (int key : count.keySet()){
            if (count.get(key)>max_count)
            {
                max_count=count.get(key);
                result=key;//改变key值
            }
        }
        return  result;
    }
}

结果

在这里插入图片描述
利用了一个容器的特性,速度肯定没有第一种方法快,只是为了寻找不同的方法而已。

再改进思路

刚刚百度了一下,顺便去看了一下题解,有个投票算法。就是说,如果把众数定为正1,非众数定为-1,那么相加起来的和,也就会是正数。这个是投票算法的指导思想。从结果我们就可以看出,众数的数目是大于非众数的。

代码

class Solution {
    public int majorityElement(int[] nums) {
        int count = 0;//计算候选人的个数
        Integer candidate = null;//候选人

        int length=nums.length;
        for (int i=0;i<length;++i) {
            if (count == 0) //如果当前的候选人个数为0,那么就把目前这个数值作为候选人
            {
                candidate = nums[i];
            }
            //如果,接下来的数与候选人相等,那么就加1,如果不等,那么就减1
            count += (nums[i] == candidate) ? 1 : -1;
        }
        /*因为众数的个数是大于n/2的,所以,最终的候选人会被选出来并且个数为正*/

        return candidate;
    }
}

结果

在这里插入图片描述
经过学习了投票算法,觉得很妙!

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