POJ1611 The Suspects(并查集)

11 篇文章 0 订阅

第一次学并查集,总算对它有了一定的了解,基本就是连通的集合的问题

参考博客:基本概念   结合一些具体问题

题意:

学校中一共有m个学生,n个组,学生编号从0~m-1,现在学生0感冒了,如果组中有一人感冒,剩下的人都会感冒,给出每个组的具体学生序号,求出有多少人会感冒

要点:

并查集裸题,要点是先将所有组合并,最后遍历找于0同一根节点的数量即为感冒人数,要注意0不一定是最终的根节点


15310408Seasonal1611Accepted404K16MSC++915B2016-03-24 22:21:30

#include<stdio.h>
#include<string.h>
#include<stdlib.h>
#define maxn 40000
int p[maxn], rank[maxn];
int m, n;

void init()
{
	for (int i = 0; i < m; i++)
	{
		p[i] = i;
		rank[i] = 0;//记录树的深度
	}
}
int find(int x)//找到根节点
{
	if (x == p[x]) return x;
	return p[x] = find(p[x]);//状态压缩,使所有节点都指向根节点
}
void merge(int x,int y)//合并集合
{
	x = find(x);
	y = find(y);
	if (x == y) return;
	if (rank[x] > rank[y])//将深度小的树指向深度大的树
		p[y] = x;
	else
	{
		p[x] = y;
		if (rank[x] == rank[y])//深度如果相同,深度大的树深度要+1
			rank[y]++;
	}
}

int main()
{
	while (~scanf("%d%d", &m, &n), n + m)
	{
		init();
		while (n--)
		{
			int t,x,y;
			scanf("%d", &t);
			scanf("%d", &x);//每组的第一个数
			for (int i = 1; i < t; i++)
			{
				scanf("%d", &y);
				merge(x, y);//将每组的后续数都与第一个数合并
			}
		}
		int sum = 0;
		int xx = find(0);//注意0不一定是根节点,可能只是在树中
		for (int i = 0; i < m; i++)
			if (find(i) == xx)
				sum++;
		printf("%d\n", sum);
	}
	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