POJ 3264 线段树

参考:http://blog.csdn.net/metalseed/article/details/8039326    线段树的讲解

 

#include<iostream>   
using namespace std;   
#define MAXN 50005       

int min(int x,int y)
{
    return x<y?x:y;    
} 
int max(int x,int y)
{
    return x>y?x:y;    
} 
struct STreeNode
{   
     int left ,right;//left 结点的左端点 
     int maxv,minv;  // 结点的值 
};
STreeNode  STree[MAXN*4]; //线段树节点个数
int a[MAXN],ansmax,ansmin; 
//建立线段树
void build(int L ,int R ,int id)
{  
     //left,right分别为当前节点的左右端点,id为节点在数组中的编号    
    STree[id].left=L;   
    STree[id].right=R;      
    int mid=(L+R)/2; 
    if(L==R)
      {
        STree[id].maxv=STree[id].minv=a[L];
        return;             
      }       
    //递归的建立左右子树         
    build(L,mid,id*2);        
    build(mid+1,R,id*2+1);    
    STree[id].maxv=max(STree[id*2].maxv,STree[id*2+1].maxv);
    STree[id].minv=min(STree[id*2].minv,STree[id*2+1].minv); 
} 
void query(int left,int right,int id)
{
     //当前结点完全包含于查询区间 [left,right] 
    if(left<=STree[id].left&&right>=STree[id].right) 
    {
        ansmax=max(STree[id].maxv,ansmax);
        ansmin=min(STree[id].minv,ansmin);
        return;
    }
    int mid=(STree[id].left+STree[id].right)/2;
    if(mid<left)
      query(left,right,id*2+1);//只进入右子树 
    else if(mid>=right) query(left,right,id*2);//只左子树 
    else 
    {
        query(left,right,id*2); 
        query(left,right,id*2+1);
    }
} 
int main()   
{      
    int n,q,i,x,y;
    while(scanf("%d%d",&n,&q)!=EOF)
    {
     for(i=1;i<=n;i++)
       scanf("%d",&a[i]);
     build(1,n,1); 
     for(i=0;i<q;i++)
     {
        scanf("%d%d",&x,&y);
        ansmax=-1;  //注意初始化 
        ansmin=INT_MAX;
        query(x,y,1); 
       // printf("%d  %d\n",ansmax,ansmin); 
        printf("%d\n",ansmax-ansmin);              
     }                               
    } 
   // system("pause");
    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