對於歸併排序，我們收到的任務很明確：
就是對一組無序（當然也有可能有序啦）的不明是否有序的資料進行排序，使這組序列實現從小到大的排列順序,這裡給出一組樣例輸入：
8 5 9 2 6 3 7 1 10 4
我們不妨將序列先放入陣列中
#define max 500
int n;
int s[max]
;cin>>n;
//先輸入預處理序列的大小
for(
int i=
0;i)//初始化序列（陣列）
回到歸併排序上，歸併的思想就是分而治之，用遞迴的方法將對整個陣列排序轉化為對陣列的每個部分進行排序，然後再將他們組合起來
首先，我們將陣列先一分為二，憑藉小學出色的奇偶數知識，我們不難這麼挑選奇偶數：偶數就總長度/2,奇數就（長度+1）/2,
if
(n%2==0
)else
但是這樣做，在合併的時候就會很困難了emmm
所以我們必須轉換一下思路
通過犧牲等長的代價，通過(left+right)/2的方法選分界點，
分為[left,mid）和[mid,right)兩部分，這樣不管怎麼樣，每次都能縮小問題的規模，知道最後mergesort只用處理乙個數(ps:left=right),停止分割，
void
mergesort
(int a,
int left,
int right)
}
void
merge
(int a,
int left,
int mid,
int right)
//此處先跳過不看
r[size_l]
=100
;//分界線
for(
int j =
0; j < size_r; j++
) l[size_r]
=100
;int i =0;
int j =0;
for(
int cnt = left; cnt < right; cnt++
)//對照著拿出來的兩塊分組
//左右比較，乙個個放入
else
}}
這樣我就可以交差了！
那麼，我們為什麼要用歸併排序呢？
那是因為，這樣每次一分為二，規模為n的排序問題
只需要經過log（以2為底）n次就能分割完。
由於每一次的合併（merge）總共需要比較n次
所以總的時間複雜度（所有情況下）均為o（nlgn）
優於快速排序的最壞情況o(n^2)
通俗易懂的講解Softmax
s of tmax softmax softma x是機器學習中很重要的分類函式。通常位於神經網路的最後一層，它的作用是將前面輸出層的資料轉換為概率分布，這個概率分布的特點就是 任意事件發生的概率在0 1之間，且所有事件發生的概率總和為1，並且總有乙個事件會發生。假設原始的神經網路輸出為y1,y2....
通俗易懂 SVM演算法講解 演算法 案例
1.3最大間隔分類器 1.4後續問題 1.5新聞分類例項 尋覓網際網路，少有機器學習通俗易懂之演算法講解 案例等，專案立於這一問題之上，整理乙份基本演算法講解 案例於文件，供大家學習之。通俗易懂之文章亦不可以面概全，但凡有不正確或爭議之處，望告知，自當不吝賜教！github位址 加資料 首先我們先來...
通俗易懂 SVM演算法講解 演算法 案例
新聞分類案例 首先我們先來看乙個3維的平面方程 ax by cz d 0 這就是我們中學所學的，從這個方程我們可以推導出二維空間的一條直線 ax by d 0 那麼，依次類推，更高維的空間叫做乙個超平面 x代表的是乙個向量，接下來我們看下二維空間的幾何表示 svm的目標是找到乙個超平面，這個超平面能...