华为OD机考双机位C卷 - 优雅数组 (Java & Python& JS & C/C++ & GO )

AI摘要

本博客解析华为OD机试双机位C卷真题‘优雅数组’:定义k-优雅数组为某元素出现频次≥k的子数组,要求统计给定数组中所有满足条件的连续子数组数量。重点讲解暴力枚举+频次动态更新的解法,并提供Java、Python、JS、C/C++及Go五种语言实现。

优雅数组

2025华为OD机试双机位C卷 - 华为OD上机考试双机位C卷 100分题型

华为OD机试双机位C卷真题目录点击查看: 【全网首发】2025华为OD机位C卷 机考真题题库含考点说明以及在线OJ(OD上机考试双机位C卷)

题目描述

如果一个数组中出现次数最多的元素出现大于等于K次,被称为 k-优雅数组 ,k也可以被称为优雅阈值。
例如,数组1,2,3,1、2,3,1,它是一个3-优雅数组,因为元素1出现次数大于等于3次,
数组[1, 2, 3, 1, 2]就不是一个3-优雅数组,因为其中出现次数最多的元素是1和2,只出现了2次。

给定一个数组A和k,请求出A有多少子数组是k-优雅子数组。

子数组是数组中一个或多个连续元素组成的数组。

例如,数组[1,2,3,4]包含10个子数组,分别是:
[1], [1,2], [1,2,3], [1,2,3,4], [2], [2,3], [2,3,4], [3], [3, 4], [4]。

​

输入描述

第一行输入两个数字,以空格隔开,含义是:A数组长度 k值

第二行输入A数组元素,以空格隔开

输出描述

输出A有多少子数组是k-优雅子数组

示例1

输入

7 3
1 2 3 1 2 3 1 

输出

 1

说明

示例2

输入

7 2
1 2 3 1 2 3 1

输出

10

说明

解题思路

利用双指针(即一个双重for)找到所有子数组(有点暴力),外层 i 指针指向子数组左边界,内层 j 指针指向子数组右边界,然后统计子数组内部各数字出现个数,若有数字出现次数大于等于k,则该子数组符合要求,统计结果ans++。

上面算法逻辑中,找所有子数组的逻辑基本无法优化,但是统计每个子数组内部各数字出现次数的逻辑却可以优化。

我们可以基于动态规划前缀和的思想,对相同左边界的子数组,只统计初始子数组的内部元素个数,然后每当右边界变化,则基于上一个子数组的统计结果计算出新结果,例如:

Java

import java.util.Scanner;

【2023】华为OD机试真题Java-题目0215-优雅数组 如果一个数组中出现次数最多的元素出现大于等于k次,被称为k-优雅数组k也可以被称为优雅阈值。例如,数组,它是一个3-优雅数组,因为元素1出现次数大于等于3次,数组就不是一个3-优雅数组,因为其中出现次数最多的元素时1和2,只出现了2次。给定一个数组A和k,请求出A有多少子数组是k-优雅子数组。子数组是数组中一个或多个连续元素组成的数组。例如,数组[1][1, 2][1, 2, 3][2][2, 3][2, 3, 4][3][3, 4][4]。 阅读详情

相关推荐

【华为OD机试真题 C语言】108、 优雅子数组 | 机试真题+思路参考+代码解析

如果一个数组中出现次数最多的元素出现大于等于K次,被称为k-优雅数组,k也可以被称为优雅阈值。 例如,数组1, 2, 3, 1,2, 3, 1,它是一个3-优雅数组,因为元素1出现次数大于等于3次, 数组[1, 2,3, 1, 2]就不是一个3-优雅数组,因为其中出现次数最多的元素是1和2,只出现了2次。   给定一个数组A和k,请求出A有多少子数组是k-优雅子数组。   子数组是数组中一个或多 个连续元素组成的数组。   例如,数组[1 ,2,3,4]包含10个子数组,分别是

KJ.JK 1993

华为OD机试 - 优雅数组(Java 2024 E卷 200分)

本专栏包含了最新最全的2023年华为OD机试真题,有详细的分析和Java解答。专栏会持续更新,每天在线答疑。第一行输入两个整数n和k,n是数组A的长度,k是优雅阈值。如果一个数组中出现次数最多的元素出现大于等于k次,被称为。数组A中的元素A[i]满足:1

学Java,找哪吒 1031

【首发独家】华为OD机试 - 优雅数组(GO 语言解题)

华为od 2023 | 什么是华为od,od 薪资待遇,od机试题清单 华为OD机试真题大全,用 Python 解华为机试题 | 机试宝典 【华为OD机试】全流程解析+经验分享,题型分享,防作弊指南 华为od机试,独家整理 已参加机试人员的实战技巧 本篇题解:优雅数组 | 华为OD机试

梦想橡皮擦,专栏100例写作模式先行者,现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者 1万+

华为OD机考双机位A卷- 优雅子数组(Java & Python& JS & C/C++ & GO )

华为OD机考双机位A卷- 优雅子数组(OD上机考试双机位A卷)。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解,并提供完整思路讲解。

算法大师! 360

2026华为OD机考新系统真题 + 双机位C卷 + 往年真题 - 题库目录分值说明 + 考点说明+在线OJ

2026年4月1日起,华为OD机试正式切换至新系统模式!采用力扣模式,无需自己写输入! 难度大幅度降低。正在备考华为OD机试的同学,优先刷新系统机试真题,可大幅提升通过率。 新系统考题考点与旧版一致,无需重新适应。本专栏所有算法题均配有详细思路解析,并提供C语言、JS、C++、Python、Go、Java多语言源码实现。订阅后私信即可开通专属OJ刷题权限,高效备考一次上岸!

算法大师! 45万+

【满分】【华为OD机试真题2023 JAVA&JS】优雅数组

优雅数组 题目描述:如果一个数组中出现次数最多的元素出现大于等于k次,被称为`k-优雅数组`,k也可以被称为`优雅阈值`。例如,数组`[1, 2, 3, 1, 2, 3, 1]`,它是一个`3-优雅数组`,因为元素`1`出现次数大于等于3次,数组`[1, 2, 3, 1, 2]`就不是一个`3-优雅数组`,因为其中出现次数最多的元素时`1`和`2`,只出现了2次。

qq_34465338的博客 3056

【华为OD机试真题 Java语言】108、 优雅子数组 | 机试真题+思路参考+代码解析

如果一个数组中出现次数最多的元素出现大于等于K次,被称为k-优雅数组,k也可以被称为优雅阈值。 例如,数组1, 2, 3, 1,2, 3, 1,它是一个3-优雅数组,因为元素1出现次数大于等于3次, 数组[1, 2,3, 1, 2]就不是一个3-优雅数组,因为其中出现次数最多的元素是1和2,只出现了2次。   给定一个数组A和k,请求出A有多少子数组是k-优雅子数组。   子数组是数组中一个或多 个连续元素组成的数组。   例如,数组[1 ,2,3,4]包含10个子数组,分别是

KJ.JK 1024

如何在华为OD机试中获得满分?Java实现【优雅数组】一文详解!

✅创作者:陈书予 🎉个人主页:陈书予的个人主页 🍁陈书予的个人社区,欢迎你的加入: 陈书予的社区 🌟专栏地址: Java华为OD机试真题(2022&2023) 如果一个数组中出现次数最多的元素出现大于等于k次,被称为,k也可以被称为。例如,数组,它是一个,因为元素出现次数大于等于3次,数组就不是一个,因为其中出现次数最多的元素时和,只出现了2次。给定一个数组A和k,请求出A有多少子数组是。子数组是数组中一个或多个连续元素组成的数组。例如,数组包含10个子数组,分别是:,,,,,,,,,。第一行输入两

陈书予 463

【python实现华为OD机试真题】优雅子数组【2023 Q1 | 200分】

当n是优雅数时,就需要额外加上新增的满足条件的子数组,这个数量是上一个优雅数的左边界left和当前优雅数的左边界right的距离。如果一个数组Q中出现次数最多的元素出现大于等于K次,被称为k-优雅数组,k也可以被称为优雅阈值只。这样一维数组形式的dp就存储了所有以当前位置为终点的,且满足K优雅的子数组的数量,最后求。就不是一一个3-优雅数组,因为其中出现次数最多的元素是1和2,只出现了2次。dp存储的是以当前位置为终点的满足K优雅条件的子数组的个数。注意:子数组是数组中一个或多个连续元素组成的数组。

flying meng的菜鸟居 619

华为od机试 python 【优雅子数组】

考虑这样一个数组:其中有些数字可能出现不止一次,如果数组中某个数字出现的次数达到了一个特定的标准(我们叫它k值)或更多次,那么这个数组就很“优雅”。(友情提示:子数组就是从数组中挑出的连续的部分。如[1,2,3,4]中,[2,3]就是一个子数组。例如:[1,2,3,1,2,3,1],数字1出现了3次,如果k值是3,那它就是一个3-优雅数组。但是任务并不是要找整个数组是否优雅,而是要找数组里的那些小部分(子数组)是否优雅。你的目标:给出一个数组和一个k值,算出有多少个这样的子数组是优雅的。

wtswts1232的博客 474

【华为OD机试真题】108、 优雅子数组 | 机试真题+思路参考+代码解析(C语言、C++、Java、Py、JS)

>如果一个数组中出现次数最多的元素出现大于等于K次,被称为k-优雅数组,k也可以被称为优雅阈值。 例如,数组1, 2, 3, 1,2, 3, 1,它是一个3-优雅数组,因为元素1出现次数大于等于3次, 数组[1, 2,3, 1, 2]就不是一个3-优雅数组,因为其中出现次数最多的元素是1和2,只出现了2次。   给定一个数组A和k,请求出A有多少子数组是k-优雅子数组。   子数组是数组中一个或多 个连续元素组成的数组。   例如,数组[1 ,2,3,4]包含10个子数组,分别

正在更新最新华为OD机试2025B卷,提供OJ在线刷题 713

如何在华为OD机试中获得满分?Python实现【优雅数组】一文详解

如果一个数组中出现次数最多的元素出现大于等于k次,被称为,k也可以被称为。例如,数组,它是一个,因为元素出现次数大于等于3次,数组就不是一个,因为其中出现次数最多的元素时和,只出现了2次。给定一个数组A和k,请求出A有多少子数组是。子数组是数组中一个或多个连续元素组成的数组。例如,数组包含10个子数组,分别是:,,,,,,,,,。第一行输入两个整数n和k,n是数组A的长度,k是优雅阈值。第二行输入n个整数,表示给定的数组A。1

陈书予 412

华为OD机试真题-优雅子数组(C++ Java Python)

子数组是数组中一个或多个连续元素组成的数组。,因为其中出现次数最多的元素是1和2,只出现了2次 ( 2 小于 3,因此不满足。给定一个数组A和k,请求出A有多少子数组是k-优雅子数组。第一行输入两个数字,以空格隔开,含义是: A数组长度 k值。:元素 2 出现次数最多,它重复出现 2 次。:元素 2 出现次数最多,它重复出现 2 次。:元素 2 出现次数最多,它重复出现 2 次。向右遍历的过程中,将当前元素加入哈希表并更新出现次数。出现次数最多,它重复出现 2 次。综上所述,在[ 1 ,2, 2, 3]

AlgorithmHero的博客 1667

华为OD机试用 JS 实现 -【优雅数组】(2023抽中题)

本篇题解:优雅数组 | 华为OD机试 题目描述 如果一个数组中出现次数最多的元素出现大于等于 k 次,被称为k-优雅数组,k 也可以被称为优雅阈值。 例如,数组[1, 2, 3, 1, 2, 3, 1],它是一个3-优雅数组,因为元素1出现次数大于等于 3 次, 数组[1, 2, 3, 1, 2]就不是一个3-优雅数组,因为其中出现次数最多的元素时1和2,只出现了 2 次。 给定一个数组 A 和 k,请求出 A 有多少子数组是k-优雅子数组。

梦想橡皮擦,专栏100例写作模式先行者,现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者 1万+

华为OD机试真题-优雅数组【2023Q2】【JAVA、Python、C++】

例如,数组`[1, 2, 3, 1, 2, 3, 1]`,它是一个`3-优雅数组`,因为元素`1`出现次数大于等于3次,数组`[1, 2, 3, 1, 2]`就不是一个`3-优雅数组`,因为其中出现次数最多的元素时`1`和`2`,只出现了2次。例如,数组`[1, 2, 3, 4]`包含10个子数组,分别是:`[1]`,`[1, 2]`,`[1, 2, 3]`,`[1, 2, 3, 4]`,`[2]`,`[2, 3]`,`[2, 3, 4]`,`[3]`,`[3, 4]`,`[4]`。

YOLO 323

【华为OD机试真题】优雅数组(C++&java&python)100%通过率 超详细代码注释 代码深度解读

已支持(C++&java&python)原题描述 100%通过率 超详细代码注释 代码深度解读

笑着的程序员的博客 926

【华为OD机试真题 Python语言】108、 优雅子数组 | 机试真题+思路参考+代码解析

我们可以基于动态规划前缀和的思想,对相同左边界的子数组,只统计初始子数组的内部元素个数,然后每当右边界变化,则基于上一个子数组的统计结果计算出新结果。利用双指针 (即一 个双重for)找到所有子数组(有点暴力), 外层i指针指向子数组左边界,内层j指针指向子数组右边界,然后统计。数组[1, 2,3, 1, 2]就不是一个3-优雅数组,因为其中出现次数最多的元素是1和2,只出现了2次。例如,数组1, 2, 3, 1,2, 3, 1,它是一个3-优雅数组,因为元素1出现次数大于等于3次,

KJ.JK 3560

从服装打版到激光切割:二维异形件排版算法在实际生产中的避坑指南

本文深入探讨二维异形件排版算法在服装、家具等行业的实际应用,对比NFP和重叠移除两种核心策略的优缺点,并提供算法落地的五大实战陷阱与解决方案。通过案例分析和技术要点解析,帮助生产管理者提升材料利用率5%-15%,优化生产效率。

weixin_28717431的博客 422

逆向工程师视角:拆解DataDome滑块验证码的3层防护机制与绕过思路

本文从逆向工程师视角,深入剖析DataDome滑块验证码的三层核心防护机制。第一层通过动态加密参数实现会话绑定与抗重放;第二层采集TLS指纹、鼠标轨迹动力学等多维行为数据进行一致性验证;第三层则是基于机器学习的后端异步风险决策引擎。文章不仅拆解了其技术原理,更分享了模拟、钩取等超越单纯工具调用的底层分析与绕过思路。

f6g7h8i9j的博客 740

测试人必看!正交表与Allpairs工具对比:如何选择最适合你的组合测试方案?

本文深入对比了正交表、PICT与Allpairs三种主流组合测试方案,帮助测试人员根据项目场景做出最佳选择。文章分析了各自的核心原理、优劣势及适用场景,特别强调了在涉及复杂约束时PICT工具的强大功能,并提供了从原理学习到CI/CD集成的实战选型指南。

weixin_29224309的博客 270

2023西工大NOJ (C语言版) 完结!!!

代码均可AC,不含解析。

annesede的博客 8万+

告别系统迁移蓝屏!用Intel RST驱动搞定11代酷睿装Win11的硬盘识别难题

本文详细介绍了如何通过Intel RST驱动解决11代酷睿处理器在安装Win11时遇到的硬盘识别问题。针对VMD技术导致的系统迁移蓝屏错误,提供了从驱动下载、PE环境创建到驱动注入的完整解决方案,帮助用户顺利完成系统升级或迁移。

weixin_31309419的博客 584

【实战】S7-PLCSIM Advanced V3.0 授权问题排查指南(Error Code:-30与LicenseNotFound深度解析)

本文深度解析S7-PLCSIM Advanced V3.0启动时遇到的Error Code:-30与LicenseNotFound报错问题。文章提供了一套系统性的排查指南,从检查WinPcap驱动兼容性、确保Automation License Manager服务运行,到正确安装浮动授权以及清理系统残留缓存,逐步解决授权链条中的各个环节故障,帮助用户彻底解决仿真环境启动失败的问题。

weixin_29185167的博客 728

Geant4学习一:写一个简单程序

1、 基本介绍

ccwwNUAA的博客 7701

ArtMate —— 美术公开课智能体开发全记录

本文档详细描述了一款专为中小学美术公开课设计的智能教学助手的开发过程。该智能体融合了多模态感知、自然语言交互、风格迁移与智能评价等技术,旨在辅助教师开展生动、高效的美术鉴赏与创作课程。全文包含需求分析、系统架构设计、核心模块代码实现、交互界面搭建及完整运行示例,并配有详尽的行内注释和设计思想阐述,为教育技术开发者提供一份可落地、可扩展的参考方案。

huanghm88的专栏 155

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 华为OD机试 -删除重复数字后的最大数字(C++ Java JavaScript Python)
下一篇: 华为OD机试A卷 - 查找重复代码(Java & Python& JS & C++ & C )
算法大师
算法大师 新星创作者: 算法与数据结构技术领域 新星创作者: 算法与数据结构技术领域
博客等级 码龄5年 1万+粉丝 1691原创
评论 16
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

算法大师

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

实付元
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
⌂ 换网址