算法索引什么意思

已经结贴。 花费时间:17ms 起始位置：9736 9745 9740 9747 9796  当前位置：316 318 318 318 318  前序位置：319 319 319 320 319  在50000个数据的情况下，用17ms找到合适的位置，效果不错，100红包已发，本帖结束。######我大体明白楼主的意思了 大约就是这么一个东西 /** * 存放有序不定长数组的list */ private List<int[]> orderNoList; /** *如果按照某种顺序从list中取出一定数量的数字的话 *param acquiredNoSum 所取得数字的总数量 *return eachAcquiredNoCount 各自所取数字的数量 */ public int[] geteachAcquiredNoCount (int acquiredNoSum){ // todo return new int[10] ; }</code></pre> 不过你没有说明是按照什么样的顺序取得数字,但你强调了取出有序数我暂且按照以下算法从数组中取数 假定a为下一个被取出的数,a满足以下条件 1,a存在于list orderNoList中的一个数组中 2,假定有序数组b存放有所有已被取出的数并且c表示max(b), 则a=min(orderNoListv中未取数)(多个数组中的最小数字相等时取靠前的一个) 并且a>=c   可以将具体的取数算法封装起来,替换成自己需要的算法 具体算法为 用一个int 数组当作游标 另一个int数组存放待比较的数 通过游标得到待比较数组   得出待比较数组中最小的数对应数组序号以及,相应游标加1,从相应数组取出一个数更新待比较数组,,重复这一步直到所有游标之和等于需取出数的数量 返回游标数组 算法时间复杂度为O(n)与从n个数中找出最小的数是一个数量级,我觉得不可能还有比这更高效的算法了    ######谢谢回复，你的算法有解，但是还不够高效：）######@红薯 直接粘贴上传还是不支持，chrome和safari都不行。######【返回值为每个列表长度的长度为10的整数数组】是什么意思######已调整说明######我先回去学学语文~  ######已调整说明，请在看看？######看完这个需求后,我也觉得我该回去重新读一遍新华字典了######任意一个数组从其对应位置开始的数字都不大于其他数组对应位置前的数字 那么是都相等咯？######语文老师的棺材板要按不住了######这个问题确实比较难描述，主要看图和标红了的部分吧######命题需要重新措辞，以便确切地表明具体场景。如开场白是否改为： 用JAVA语言完成方法getOrderLIst 的代码填写任务。如静态代码块所示，现已拥有一个长度为10的数组 list。  它的每个元素都是一个已经按照从小到大排序好的 List<Integer>实体。 …######回复 @tcxu : 非常好，如果看懂了，来一个普通人懂得版本。######真心读不懂,也不知道"分界索引值"是个什么东西,怎么算出来的.

你缓存的目的是干什么？我感觉你是好几个场景。######回复 @foodon : 上面那只是一个简单的举例而已 主要问题就是在查询列表！######回复 @SandKing : 缓存是为了加快常用功能的速度，但你这几个加到缓存的内容我没弄清作用。我猜想：1、以uid为key缓存用户是为了经需要用户的信息；2、以username为key缓存password是为了登陆；3、这就弄不懂是什么场景了。######缓存的目的 但然是让查询更快啊######没有人么  这么快 就要沉了。。。###### 是这个样子的 缓存的确是要让查询更快，但是缓存主要是为了多次查询的某一条记录做的 比如说99%的用户需要查询第99条记录，那么把这条记录写入缓存是比较好的方案 但是缓存是有局限性的，像你要统计全表有多少的2类用户，这不可以用缓存来做的，因为这里涉及到的记录是全表中的记录，所以你的问题2是不合适的，因为如果要实现这个功能就不要用缓存做 再一个一般缓存应该不是用时间触发超时的，一般是在每次你向缓存中插入一条记录的时候统计当前缓存中的记录条数，如果达到了缓存大小的极限，那么会用一种选择算法把其中的一条记录去掉。记住这里是向缓存中插入记录，不是所有插入记录的情况。对数据库写操作的时候要直接操作数据库的，只有读操作才经过缓存，而且如果是update的话要判断是不是某条记录与缓存中记录不一样了，那样要修改缓存中的记录。其实对于哪些记录要进缓存也是要用算法判断的，选择大多数用户会查询而且一般不修改的是比较好的可以进缓存的记录。 加缓存的问题很多的，建议查oracle数据库缓存的原理。数据库也是有缓存的，一般不用我们来在程序内设置缓存，如果你想要这方面的知识那么看看oracle缓存一些基本的原理吧。 ######如果一个玩家上线 要保证他的所有请求都比较快，所有的请求都不能超过20毫秒 20毫秒中要包括你的业务逻辑+数据查询等等######你说的这种是对要求不是特别高的情况，我们在做游戏的时候你更具用户要查询一个用户的列表什么的。对查询速度要求比较高！ 我要做的是查询 全查询缓存 ，插入 更新 同时修改缓存和数据库###### 不建议用缓存，根本就是根据索引查对象。。 没有达到缓存的基本要求。。 ######这样做 比你查询库 快太多太多了######你是做的缓存吗？怎么这么复杂？缓存一个对象不可以吗？不太理解你的需求。###### 你这等于就是把缓存做数据库来用,所以那个超时移除可以去掉了. 至于那些不常用的数据,可以想办法做到要用到时加载,不用时剔除,这块才是你需要设计的地方,比如说针对这种数据启用超时. ######基本上就是这个意思！ 用的时候加载OK没问题，不用时剔除这个就会出现我上面说的这个情况了！###### 引用来自“李三乎”的答案 是这个样子的 缓存的确是要让查询更快，但是缓存主要是为了多次查询的某一条记录做的 比如说99%的用户需要查询第99条记录，那么把这条记录写入缓存是比较好的方案 但是缓存是有局限性的，像你要统计全表有多少的2类用户，这不可以用缓存来做的，因为这里涉及到的记录是全表中的记录，所以你的问题2是不合适的，因为如果要实现这个功能就不要用缓存做 再一个一般缓存应该不是用时间触发超时的，一般是在每次你向缓存中插入一条记录的时候统计当前缓存中的记录条数，如果达到了缓存大小的极限，那么会用一种选择算法把其中的一条记录去掉。记住这里是向缓存中插入记录，不是所有插入记录的情况。对数据库写操作的时候要直接操作数据库的，只有读操作才经过缓存，而且如果是update的话要判断是不是某条记录与缓存中记录不一样了，那样要修改缓存中的记录。其实对于哪些记录要进缓存也是要用算法判断的，选择大多数用户会查询而且一般不修改的是比较好的可以进缓存的记录。 加缓存的问题很多的，建议查oracle数据库缓存的原理。数据库也是有缓存的，一般不用我们来在程序内设置缓存，如果你想要这方面的知识那么看看oracle缓存一些基本的原理吧。 呃，你现在做的都是数据库要做的功能啊。数据库本身是有缓存功能的。你们没有数据库工程师么，这些不应该是代码里要考虑的内容啊。你的总的要求就是要快速的进行数据查询，这应该是数据库里存储过程的功能啊。 平时用代码写的话做个小的缓存自己用还可以，要这样大型的用数据库自己来处理是最好的。 如果非要自己做的话，可以借鉴memDB的思路，我们可以在内存中虚拟一个数据库，按照jdbc driver的接口实现存储在内存中的数据库，你可以让一个专门的服务器用来定期把修改写入本地数据库。 这种情况真心不建议自己做缓存

关于神经网络也有很多的种类，考虑到它们的使用效果，有些使用起来恰到好处，但事实表明，到目前几乎所有由神经网络创造的经济价值，本质上都离不开一种叫做监督学习的机器学习类别，让我们举例看看。 在监督学习中你有一些输入，你想学习到一个函数来映射到一些输出，比如我们之前提到的房价预测的例子，你只要输入有关房屋的一些特征，试着去输出或者估计价格。我们举一些其它的例子，来说明神经 如今应用深度学习获利最多的一个领域，就是在线广告。这也许不是最鼓舞人心的，但真的很赚钱。具体就是通过在网站上输入一个广告的相关信息，因为也输入了用户的信息，于是网站就会考虑是否向你展示广告。 神经网络已经非常擅长预测你是否会点开这个广告，通过向用户展示最有可能点开的广告，这就是神经网络在很多家公司难以置信地提高获利的一种应用。因为有了这种向你展示你最有可能点击的广告的能力，而这一点击的行为的改变会直接影响到一些大型的在线广告公司的收入。 计算机视觉在过去的几年里也取得了长足的进步，这也多亏了深度学习。你可以输入一个图像，然后想输出一个索引，范围从1到1000来试着告诉你这张照片，它可能是，比方说，1000个不同的图像中的任何一个，所以你可能会选择用它来给照片打标签。 深度学习最近在语音识别方面的进步也是非常令人兴奋的，你现在可以将音频片段输入神经网络，然后让它输出文本记录。得益于深度学习，机器翻译也有很大的发展。你可以利用神经网络输入英语句子，接着输出一个中文句子。 在自动驾驶技术中，你可以输入一幅图像，就好像一个信息雷达展示汽车前方有什么，据此，你可以训练一个神经网络，来告诉汽车在马路上面具体的位置，这就是神经网络在自动驾驶系统中的一个关键成分。 那么深度学习系统已经可以创造如此多的价值，通过智能的选择，哪些作为哪些作为，来针对于你当前的问题，然后拟合监督学习部分，往往是一个更大的系统，比如自动驾驶。这表明神经网络类型的轻微不同，也可以产生不同的应用，比如说，应用到我们在上一个视频提到的房地产领域，我们不就使用了一个普遍标准神经网络架构吗？ 也许对于房地产和在线广告来说可能是相对的标准一些的神经网络，正如我们之前见到的。对于图像应用，我们经常在神经网络上使用卷积（Convolutional Neural Network），通常缩写为CNN。对于序列数据，例如音频，有一个时间组件，随着时间的推移，音频被播放出来，所以音频是最自然的表现。作为一维时间序列（两种英文说法one-dimensional time series / temporal sequence）.对于序列数据，经常使用RNN，一种递归神经网络（Recurrent Neural Network），语言，英语和汉语字母表或单词都是逐个出现的，所以语言也是最自然的序列数据，因此更复杂的RNNs版本经常用于这些应用。 对于更复杂的应用比如自动驾驶，你有一张图片，可能会显示更多的CNN卷积神经网络结构，其中的雷达信息是完全不同的，你可能会有一个更定制的，或者一些更复杂的混合的神经网络结构。所以为了更具体地说明什么是标准的CNN和RNN结构，在文献中你可能见过这样的图片，这是一个标准的神经网络。 我们会在后面的课程了解这幅图的原理和实现，卷积网络(CNN)通常用于图像数据。 你可能也会看到这样的图片，而且你将在以后的课程中学习如何实现它。 递归神经网络(RNN)非常适合这种一维序列，数据可能是一个时间组成部分。 你可能也听说过机器学习对于结构化数据和非结构化数据的应用，结构化数据意味着数据的基本数据库。例如在房价预测中，你可能有一个数据库，有专门的几列数据告诉你卧室的大小和数量，这就是结构化数据。或预测用户是否会点击广告，你可能会得到关于用户的信息，比如年龄以及关于广告的一些信息，然后对你的预测分类标注，这就是结构化数据，意思是每个特征，比如说房屋大小卧室数量，或者是一个用户的年龄，都有一个很好的定义。 相反非结构化数据是指比如音频，原始音频或者你想要识别的图像或文本中的内容。这里的特征可能是图像中的像素值或文本中的单个单词。 从历史经验上看，处理非结构化数据是很难的，与结构化数据比较，让计算机理解非结构化数据很难，而人类进化得非常善于理解音频信号和图像，文本是一个更近代的发明，但是人们真的很擅长解读非结构化数据。 神经网络的兴起就是这样最令人兴奋的事情之一，多亏了深度学习和神经网络，计算机现在能更好地解释非结构化数据，这是与几年前相比的结果，这为我们创造了机会。许多新的令人兴奋的应用被使用，语音识别、图像识别、自然语言文字处理，甚至可能比两三年前的还要多。因为人们天生就有本领去理解非结构化数据，你可能听说了神经网络更多在媒体非结构化数据的成功，当神经网络识别了一只猫时那真的很酷，我们都知道那意味着什么。 但结果也表明，神经网络在许多短期经济价值的创造，也是基于结构化数据的。比如更好的广告系统、更好的利润建议，还有更好的处理大数据的能力。许多公司不得不根据神经网络做出准确的预测。 因此在这门课中，我们将要讨论的许多技术都将适用，不论是对结构化数据还是非结构化数据。为了解释算法，我们将在使用非结构化数据的示例中多画一点图片，但正如你所想的，你自己团队里通过运用神经网络，我希望你能发现，神经网络算法对于结构化和非结构化数据都有用处。 神经网络已经改变了监督学习，正创造着巨大的经济价值，事实证明，基本的神经网络背后的技术理念大部分都离我们不遥远，有的是几十年，那么为什么他们现在才刚刚起步，效果那么好，下一集视频中我们将讨论为什么最近的神经网络已经成为你可以使用的强大工具。网络已经被高效应用到其它地方。