算法笔记读书思考---二分查找

本文探讨了在递增序列中使用二分查找算法寻找特定元素下标的高效方法。通过将序列分为两部分,逐步缩小搜索范围,二分查找显著降低了时间复杂度。文章以捕鱼为例解释了算法原理,并提供了代码实现,展示了在洛谷oj题目中的应用。
摘要由CSDN通过智能技术生成

对于一个递增序列,我们要查找这个序列中某个元素的下标位置。
如: 在2 5 6 8 22 34 225…中,我们想找到数字5的位置
最简单的思路是:
我们可以通过循环遍历这个序列,来依次比对数字5,如果找到了则停止遍历。这种思路在这个序列的元素个数不是很大的时候,是非常有效的,但一旦涉及数据规模比较大的时候,这种思路写出来的程序就很容易超时崩溃。
今天我们来讨论一个很重要的算法思路----二分,所谓二分顾名思义就是在一次操作中,我们把数据分成两部分来处理,这种思路大大减少了程序的时间复杂度。
二分查找我们可以想象成收网打鱼,最开始时这张网是覆盖整个序列的,我们只需比较序列的中间元素与我们要找的元素之间的大小关系。如果中间元素等于我们的目标数字,那我们就找到了这个鱼位置了,直接收网;如果中间元素大于我们的目标数字,那我们就要在序列的前半部分继续找,我们的大网就收紧一半了,后半部分直接可以不管了(因为这个是递增序列,中间元素以后的所有元素肯定都大于我们要找的数字)。以此类推,我们这张网不断收紧,最后一定会找到这条鱼(目标数字)的位置。
可以画出示意图:
在这里插入图片描述
根据上面的思路我们可以写出我们的核心代码部分:

 while(leftnum<=rightnum){
   
            //取中点脚标
             mid = (rightnum+leftnum)/2;
             if(a[mid]==n)break;//如果找到n就停止循环
             else if(a[mid]>n){
   
                rightnum = mid - 1;
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