Sliding Window

该博客介绍了如何使用双端单调队列解决LeetCode上的239题——滑动窗口最大值。通过保持队列单调递减,每次新元素加入时删除所有小于它的元素,确保队头始终为当前窗口的最大值。同时,给出了代码实现,并指出此方法同样适用于寻找滑动窗口最小值。洛谷P1886题提供了类似问题,但需要同时找出最大值和最小值。
摘要由CSDN通过智能技术生成

leetcode 239.Sliding Window Maximum

You are given an array of integers nums, there is a sliding window of size k which is moving from the very left of the array to the very right. You can only see the k numbers in the window. Each time the sliding window moves right by one position.

Return the max sliding window.
在这里插入图片描述
Example 1:

Input: nums = [1,3,-1,-3,5,3,6,7], k = 3
Output: [3,3,5,5,6,7]

Example 2:

Input: nums = [1], k = 1
Output: [1]

Example 3:

Input: nums = [1,-1], k = 1
Output: [1,-1]

Example 4:

Input: nums = [9,11], k = 2
Output: [11]

Example 5:

Input: nums = [4,-2], k = 2
Output: [4]

Constraints:
1 <= nums.length <= 105
-104 <= nums[i] <= 104
1 <= k <= nums.length

来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/sliding-window-maximum

这题可以用双端单调队列来解决这道题:
因为在窗口向前滑动的过程中,我们会发现,每次窗口向前滑动的时候,要添加一个数的同时还要减少一个数,添加一个新的元素进去,如果这个新的元素比窗口内的一些数要大,那么这些比新元素要小的数,直到被淘汰都没有机会露个面。
eg: 序列 [10,7,5],6,4,3
在窗口向前滑动后,新数据6比5要大,那么,这个5直到被淘汰都不可能是最大的数,因为有个6一直打压 着它。
10,[7,5,6],4,3 ---------------------- Max = 7
10,7,[5,6,4],3 ---------------------- Max = 6
10,7,5,[6,4,3] ---------------------- Max = 6

那么我们可以在遍历一遍序列时,在压入一个新数据的时候,将之前比它小的所有数字,全都删除,只保留比它大的数字,那么最终得到的序列一定是个单调递减的序列,这就是单调队列。
那为什么要双端队列呢,因为在添加新数据进入队列,以及删除比新数据要小的数据都是在队尾实现,但要获得每次移动窗口后最大的数据的值,就得要队头元素,用queue.front()来获取,而且窗口向前滑动,得删除掉滑动窗口左端的元素,所以得用双端单调队列。
在这里插入图片描述
代码:

class Solution {
private:
    deque<int> data; //double-ended queue
public:
    void push(int DATA)
    {
        //在队尾添加元素,把前面比新元素小的元素都删除掉
        while(!data.empty() && data.back() < DATA){
            data.pop_back();
        }
        data.push_back(DATA);
    } //形成单调递减序列

    int max(){ return data.front(); }

    void pop(int DATA){
        /*滑动窗口向前移动一位,右边加一位,左边得减一位,但如果已经被压扁了,
        也就是说队列里面已经不存在最左边的那个数,就不用删除,否则就得删除掉这个数*/
        if(!data.empty() && data.front() == DATA){
            data.pop_front();
        }
    };

    vector<int> maxSlidingWindow(vector<int>& nums, int k) {
        Solution window;
        vector<int> res;
        for(int i = 0; i < nums.size(); i++){
            if(i < k - 1){ //先填满窗口的前K - 1
                window.push(nums[i]);
            }
            else{ //窗口向前滑动
                window.push(nums[i]);
                res.push_back(window.max());
                window.pop(nums[i - k + 1]); //指滑动窗口最左边的数字,查看它是否在队列中,有则删除掉
            }
        }
        return res;
    }
};

洛谷P1886 滑动窗口 /【模板】单调队列

洛谷同样有这道题,只是多了个求最小值。思路是一样的。
在这里插入图片描述

输入 #1

8 3
1 3 -1 -3 5 3 6 7

输出 #1

-1 -3 -3 -3 3 3
3 3 5 5 6 7

链接:https://www.luogu.com.cn/problem/P1886

#include<iostream>
#include<deque>
#include<cstdio>
#include<vector>
using namespace std;
long long int res[1000001] = { 0 }, res1[1000001] = { 0 };
void push(deque<long long int>& line, long long int data, int flag)
{
	if (flag == 1){
		while (!line.empty() && line.back() < data)
			line.pop_back();
		line.push_back(data);
	}
	else{
		while (!line.empty() && line.back() > data)
			line.pop_back();
		line.push_back(data);
	}
}

void pop_data(deque<long long int>& line, long long int data)
{
	if (!line.empty() && line.front() == data)
		line.pop_front();
}

int main(){
	deque<long long int> q, qq;
	int i, n, k, len1 = 0, len2 = 0;
	long long int xx;
	vector<long long int> nums;
	cin >> n >> k;
	for (i = 0; i<n; i++){
		cin >> xx;
		nums.push_back(xx);
	}
	for (i = 0; i < n; i++){
		if (i < k - 1){
			push(q, nums[i], 1);
			push(qq, nums[i], 2);
		}
		else{
			push(q, nums[i], 1);
			push(qq, nums[i], 2);
			res[len1++] = q.front();
			res1[len2++] = qq.front();
			pop_data(q, nums[i - k + 1]);
			pop_data(qq, nums[i - k + 1]);
		}
	}
	for (i = 0; i<len2; i++)
		printf("%lld ", res1[i]);
	printf("\n");
	for (i = 0; i<len1; i++)
		printf("%lld ", res[i]);
	return 0;
}
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

打赏作者

.DoubleBean.

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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