[简单DP]FatMouse's Speed HDU - 1160

        [简单DP]FatMouse's Speed HDU - 1160 

题意:给定一组数,每组包含两个整数。要求输出该组数的一个子集,该子集的第一个数逐渐增大,第二个数逐渐变下。使得这个子集尽可能的大并输出对应小标。
分析:
题目很简单,说白了就是对第一个或者第二个数字排序下,然后求另外一个数字的递减或者递增序列。
由于要输出序列,所以要记录下子集中每组数的前一组数的下标,然后递归输出。
代码:

#include<stdio.h>
#include<stdlib.h>
#include<string>
#include<string.h>
#include<algorithm>
#include<set>
#include<map>
#include<vector>
#include<queue>
#define MAX 9999999999
#define MIN -1
#define ll long long
using namespace std;
struct node
{
    int w,s;
    int vis;//重量,速度,和原来的下标
}num[1005];
int dp[1005],pre[1005];
bool cmp(node a,node b)
{
    return a.s>b.s;
}
void print(int i)
{
    if(i!=pre[i])
        print(pre[i]);
    printf("%d\n",num[i].vis+1);//递归输出答案
}
int main()
{
    int cnt=0;
    while(~scanf("%d %d",&num[cnt].w,&num[cnt].s))
    {
        num[cnt].vis=cnt;
        cnt++;
    }
    sort(num,num+cnt,cmp);
    for(int i=0;i<=cnt;i++)
        pre[i]=i;//初始化
    dp[0]=1;
    int Max=1,key=0;
    for(int i=1;i<cnt;i++)//查找递增子集
    {
        dp[i]=1;
        for(int j=0;j<i;j++)
        {
            if(num[j].w<num[i].w&&dp[j]+1>dp[i])
            {
                dp[i]=dp[j]+1;
                pre[i]=j;//记录前一结点
            }
        }
        if(Max<dp[i])
        {
            Max=dp[i];
            key=i;//记录最后一个下标
        }
    }
    printf("%d\n",Max);
    print(key);
    return 0;
}
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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