poj 2553 强连通

传送门

题意:找出出度为0的强连通分量,然后把这些强连通分量里的点按从小到大输出。

思路:求强连通分量,出度为0标记下,然后遍历点,看它所属的强连通分量是否被标记,如果是被标记的,记录点,然后排序输出即可。

#include<iostream>
#include<cstdio>
#include<cstring>
#include<stack>
#include<algorithm>
using namespace std;
struct Edge
{
    int u,v;
}e[25000005];
stack<int>st;
int fst[5010],next[25000005],dfn[5010],low[5010],d[5010],m,n,edgenum,num,scnum,in[5010],out[5010],mark[5010],ans[5010],ansnum;
bool instack[5010];
void init()
{
    edgenum=0;
    num=0;
    scnum=0;
    ansnum=0;
    memset(fst,-1,sizeof(fst));
    memset(dfn,0,sizeof(dfn));
    memset(instack,0,sizeof(instack));
    memset(mark,0,sizeof(mark));
    memset(in,0,sizeof(in));
    memset(out,0,sizeof(out));
    int u,v;
    for(int i=0;i<m;i++)
    {
        scanf("%d%d",&u,&v);
        next[++num]=fst[u];
        fst[u]=num;
        e[num].u=u;
        e[num].v=v;
    }
}
void tarjan(int u)
{
    int v;
    dfn[u]=low[u]=++num;
    st.push(u);
    instack[u]=1;
    for(int i=fst[u];i!=-1;i=next[i])
    {
        v=e[i].v;
        if(!dfn[v])
        {
            tarjan(v);
            low[u]=min(low[u],low[v]);
        }
        else if(instack[v])
        {
            low[u]=min(low[u],dfn[v]);
        }
    }
    if(low[u]==dfn[u])
    {
        scnum++;
        do
        {
            v=st.top();
            st.pop();
            instack[v]=0;
            d[v]=scnum;
        }while(v!=u);
    }
}
void solve()
{
    int v;
    for(int i=1;i<=n;i++)
    {
        if(!dfn[i])tarjan(i);
    }
    for(int i=1;i<=n;i++)
    {
        for(int j=fst[i];j!=-1;j=next[j])
        {
            v=e[j].v;
            if(d[i]!=d[v])
            {
                out[d[i]]++;
                in[d[v]]++;
            }
        }
    }
    for(int i=1;i<=scnum;i++)
    {
        if(out[i]==0)mark[i]=1;
    }
    for(int i=1;i<=n;i++)
    {
        if(mark[d[i]]==1)ans[ansnum++]=i;
    }
    sort(ans,ans+ansnum);
    if(ansnum)
    {
        printf("%d",ans[0]);
        for(int i=1;i<ansnum;i++)printf(" %d",ans[i]);
    }
    printf("\n");
}
int main()
{
    while(scanf("%d",&n)&&n)
    {
        scanf("%d",&m);
        init();
        solve();
    }
    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