hihocoder #1336 : Matrix Sum 二维线段树 或 二维树状数组模板

题目链接
解法一:
二维树状数组

#include<cstdio>
#include<cstring>
#include<algorithm>
#include<iostream>
#include<string>
#include<vector>
#include<stack>
#include<bitset>
#include<cstdlib>
#include<cmath>
#include<set>
#include<list>
#include<deque>
#include<map>
#include<queue>
using namespace std;
typedef long long ll;
const double PI = acos(-1.0);
const double eps = 1e-6;
const int INF = 1000000000;
const int maxn = 1234;
const int mod = 1e9+7;
int T,n,m;
char op[4];
int sx,sy,ex,ey;
int c[maxn][maxn];

int lowbit(int x)
{
    return x&(-x);
}

ll query_sum(int x,int y)
{
    ll sum=0;
    for(int i=x;i!=0;i-=lowbit(i))
    {
        for(int j=y;j!=0;j-=lowbit(j))
        {
            sum=(sum+c[i][j])%mod;
        }
    }
    return sum;
}

void update(int x,int y,int v)
{
    for(int i=x;i<maxn;i+=lowbit(i))
    {
        for(int j=y;j<maxn;j+=lowbit(j))
        {
            c[i][j]=(c[i][j]+v)%mod;
        }
    }
}

int main()
{
    scanf("%d%d",&n,&m);
    {
        memset(c,0,sizeof(c));
        int a,b,w;
        while(m--)
        {
            scanf("%s",op);
            if(op[0]=='A')
            {
                scanf("%d%d%d",&a,&b,&w);
                a++,b++;
                update(a,b,w);
            }
            else
            {
                scanf("%d%d%d%d",&sx,&sy,&ex,&ey);
                sx++,sy++,ex++,ey++;
                printf("%lld\n",(query_sum(ex,ey)-query_sum(sx-1,ey)-query_sum(ex,sy-1)+query_sum(sx-1,sy-1)+mod)%mod);
            }
        }
    }
    return 0;
}

解法二:
二维线段树

#include<bits/stdc++.h>
using namespace std;
const int MOD=1e9+7;
long long sum[4001][4001];
int n;
void cloadd(int tag,int p,int k,int l,int r,int y,long long val)
{
    if(l==r)
    {
        if(tag)sum[p][k]=(sum[p][k]+val)%MOD;
        else sum[p][k]=(sum[2*p][k]+sum[2*p+1][k])%MOD;
        return;
    }
    if(y<=(l+r)/2)cloadd(tag,p,2*k,l,(l+r)/2,y,val);
    else cloadd(tag,p,2*k+1,(l+r)/2+1,r,y,val);
    if(tag)sum[p][k]=(sum[p][2*k]+sum[p][2*k+1])%MOD;
    else sum[p][k]=(sum[2*p][k]+sum[2*p+1][k])%MOD;
}
void rowadd(int k,int l,int r,int x,int y,long long val)
{
    if(x==l&&x==r){cloadd(1,k,1,1,n,y,val);return;}
    if(x<=(l+r)/2)rowadd(2*k,l,(l+r)/2,x,y,val);
    else rowadd(2*k+1,(l+r)/2+1,r,x,y,val);
    cloadd(0,k,1,1,n,y,val);
}
long long cloask(int p,int k,int l,int r,int y,int y1)
{
    if(y<=l&&y1>=r)return sum[p][k]%MOD;
    if(y1<=(l+r)/2)return cloask(p,2*k,l,(l+r)/2,y,y1)%MOD;
    else if(y>=(l+r)/2+1)return cloask(p,2*k+1,(l+r)/2+1,r,y,y1)%MOD;
    return (cloask(p,2*k,l,(l+r)/2,y,(l+r)/2)+cloask(p,2*k+1,(l+r)/2+1,r,(l+r)/2+1,y1))%MOD;
}
long long rowask(int k,int l,int r,int x,int y,int x1,int y1)
{
    if(x==l&&x1==r)return cloask(k,1,1,n,y,y1)%MOD;
    if(x1<=(l+r)/2)return rowask(2*k,l,(l+r)/2,x,y,x1,y1)%MOD;
    else if(x>=(l+r)/2+1)return rowask(2*k+1,(l+r)/2+1,r,x,y,x1,y1)%MOD;
    return (rowask(2*k,l,(l+r)/2,x,y,(l+r)/2,y1)+rowask(2*k+1,(l+r)/2+1,r,(l+r)/2+1,y,x1,y1))%MOD;
}
int main()
{
    int T;
    scanf("%d%d",&n,&T);
    memset(sum,0,sizeof sum);
    while(T--)
    {
        char op[10];
        int x,y,x1,y1;
        long long val;
        scanf("%s",op);
        if(strcmp(op,"Add")==0)
        {
            scanf("%d%d%lld",&x,&y,&val);
            rowadd(1,1,n,x+1,y+1,val);
        }
        else
        {
            scanf("%d%d%d%d",&x,&y,&x1,&y1);
            printf("%lld\n",(rowask(1,1,n,x+1,y+1,x1+1,y1+1)%MOD+MOD)%MOD);//WA的注意了,输出非负整数,先加上1e9+7再取模
        }
    }
    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