LeetCode之Spiral Matrix II

本文介绍了一种生成螺旋填充矩阵的方法,该方法基于Spiral Matrix的思路实现,通过迭代地填充矩阵的四条边来完成整个矩阵的填充过程。适用于n×n的方阵。
/*这道题的可以参照Spiral Matrix的解法,将读取矩阵改为填充
矩阵即可。由于这里是方阵,所以其代码应该会更简单。
方法参考自:https://github.com/soulmachine/leetcode*/
class Solution {
public:
	vector<vector<int> > generateMatrix(int n) {
		vector<vector<int> > result(n, vector<int>(n));
		int start(0), end(n-1);
		int count(0); //计数用的变量

		while(start < end){
			for(int i = start; i < end; ++i) result[start][i] = ++count;
			for(int i = start; i < end; ++i) result[i][end] = ++count;
			for(int i = end; i > start; --i) result[end][i] = ++count;
			for(int i = end; i > start; --i) result[i][start] = ++count;
			++start;
			--end;
		}
		if(start == end) result[start][start] = ++count;

		return result;
	}
};

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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