leetcode--三数之和(排序+双游标)

本文介绍了一种解决特定问题的方法:在一个整数数组中找到所有不重复的三元组,使得这三个数相加等于零。通过排序和双指针技巧,避免了重复解并降低了时间复杂度。

给你一个包含 n 个整数的数组 nums,判断 nums 中是否存在三个元素 a,b,c ,使得 a + b + c = 0 ?请你找出所有满足条件且不重复的三元组。

注意:答案中不可以包含重复的三元组。

 

示例:

给定数组 nums = [-1, 0, 1, 2, -1, -4],

满足要求的三元组集合为:
[
  [-1, 0, 1],
  [-1, -1, 2]
]

 

解题思路:因为题目要求结果列表中的列表序列是不可以重复的(这种题不用想搜索,还需要控制上下元素是否相同,传参极其麻烦)。如果没有限制,可以直接三重循环来求所有的解集。

可以通过排序操作,让全部元素归为一个有序序列。并且为了降低复杂程度,可以使用两层循环,第三个值可以使其指向最后一个元素,通过前两个值相加的结果与其比较,如果小于第三个值,那么第三个值得索引需要左移,直到与b重合。判断重合的时候直接break;掉就可以了。

注意:通过后两个值与第一个比也可以,通过前两个和第三个值相比也可以,掌握好需要变化的情况就可以

class Solution {
    public List<List<Integer>> threeSum(int[] nums) {
        List<List<Integer>> ans = new ArrayList<List<Integer>>();
        Arrays.sort(nums) ;
        for(int a=0; a<nums.length-2; a++){
            if(a>0 && nums[a] == nums[a-1])
                continue;
            
            int c = nums.length-1;

            for(int b=a+1; b<nums.length; b++){
                if(b>a+1 && nums[b]==nums[b-1])
                    continue;
                
                int mid = nums[a] + nums[b] ;
                if(-mid > nums[c]) 
                    continue;
                while(b<c && -mid<nums[c]) {
                    --c;
                }
                if(b == c) break;
                if(mid == -nums[c]){
                    List<Integer> tmp = new ArrayList<Integer>();
                    tmp.add(nums[a]);
                    tmp.add(nums[b]);
                    tmp.add(nums[c]);
                    ans.add(tmp);        
                }
                
            }
        }
        return ans;
    }
}

 

 

 

 

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
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