数据结构java版之《简单排序》

本文详细介绍三种基本排序算法:冒泡排序、选择排序和插入排序。通过示例代码讲解每种算法的具体实现步骤,并分析其背后的逻辑。适用于初学者快速掌握基本排序原理。

本篇文章针对上一篇的数组,实现几个简单的排序功能,并给出实现思路。包括冒泡、选择、插入三种最简单的排序。

1、冒泡排序:

​实现思路图解:


public static void sort(int[] arr) {
		/*
		 * 分析: 五个元素,总共比较了四次 比较次数为length-1 1、从尾部开始,与前面的元素两两比较,小了往前排。大了不搭理他
		 * 2、第一次比较完毕之后,下一次比较的时候会减少一次比较次数。减少的这次次数是数组前面的位置,因为每次比较之后最小值就在最前位置了
		 * 3、第一次比较有0个元素不必;第二次比较有1个元素不比,第三次比较,2个元素不比 4、比较次数length-1
		 */
		for (int i = 0; i < arr.length - 1; i++) {// 外层控制次数
			// 定义临时变量
			int temp;
			// 比较的次数也会减少
			for (int j = arr.length-1; j > i; j--) {
				// 如果后面的数小
				if (arr[j] < arr[j - 1]) {
					// 交换到前面
					temp = arr[j];
					arr[j] = arr[j - 1];
					arr[j - 1] = temp;
				}
			}
		}
	}

2、选择排序:


package ch02;
/**
 * 选择排序
 * @author lenovo
 *
 */
public class SelectSort {
	public static void sort(int[] arr){
		//外循环控制次数
		for (int i = 0; i < arr.length; i++) {
			
			int k = i;//k赋初始值
			int temp;
			
			for (int j = i+1; j < arr.length; j++) {
				if(arr[k] > arr[j]){
					k = j;//让k值永远指向最小的索引
				}
			}
			
			//交换,使得最前面的位置为最小值。即把k索引对应的值与i值交换
			temp = arr[k];
			arr[k] = arr[i];
			arr[i] = temp;
		}
	}
}

3、插入排序;


package ch02;

/**
 * 插入排序
 * 
 * @author lenovo
 * 
 */
public class InsertSort {
	public static void sort(int[] arr) {
		int j = 0;// 数组下标
		int i = 0;// 插入排序次数
		// 从第二个位置开始比较
		for (i = 1; i < arr.length; i++) {
			// 每一次都记录下初始值赋值给临时变量
			int temp = arr[i];

			for (j = i - 1; j >= 0; j--) {//j表示上一个位置,j+1表示当前位置。往当前位置插入数据
				// 前面的数大于当前临时变量里面的数
				if (arr[j] > temp) {
					// 把前面位置的值赋值给当前位置值
					arr[j + 1] = arr[j];
				} else {
					break;
				}
			}
			//就把temp值赋值给当前位置
			arr[j + 1] = temp;
		}
	}
}


训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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