HDU - 1754 I Hate It

border="0" width="235" height="346" src="http://www.xiami.com/widget/39278414_1772105976,1772105977,1772105978,1772105979,1772105980,1772105981,1772105982,1772105983,1772105984,1772105985,_235_346_5695c1_457cb4_1/multiPlayer.swf">

**

Description

**
很多学校流行一种比较的习惯。老师们很喜欢询问,从某某到某某当中,分数最高的是多少。
这让很多学生很反感。

不管你喜不喜欢,现在需要你做的是,就是按照老师的要求,写一个程序,模拟老师的询问。当然,老师有时候需要更新某位同学的成绩。


**

Input

**
本题目包含多组测试,请处理到文件结束。
在每个测试的第一行,有两个正整数 N 和 M ( 0

Output

**
对于每一次询问操作,在一行里面输出最高成绩。


**

Sample Input

**
5 6
1 2 3 4 5
Q 1 5
U 3 6
Q 3 4
Q 4 5
U 2 9
Q 1 5


**

Sample Output

**
5
6
5
9


**

Hint

**
Huge input,the C function scanf() will work better than cin


**

Source

**
2007省赛集训队练习赛(6)_linle专场


**

Code

**

#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;

const int maxn=(1<<19)+10;

int n,tree[maxn];

void ini(int n_)
{
    n=1;
    while(n<n_)n<<=1;
    for(int i=1;i<=n*2-1;i++)tree[i]=0;
}

void update(int x,int k)
{
    k+=n-1;
    tree[k]=x;k>>=1;
    while(k)
    {
        tree[k]=max(tree[k*2],tree[k*2+1]);
        k>>=1;
    }
}

int query(int a,int b,int l,int r,int k)
{
    if(r<a||l>b)return 0;
    if(a<=l&&r<=b)return tree[k];
    int mid=(l+r)/2,tmp1=query(a,b,l,mid,k*2),tmp2=query(a,b,mid+1,r,k*2+1);
    return max(tmp1,tmp2);
}

int main()
{
    int n_,m,x,y;
    while(scanf("%d%d",&n_,&m)==2)
    {
        ini(n_);
        for(int i=1;i<=n_;i++)
        {
            scanf("%d",&x);
            update(x,i);
        }
        for(int i=1;i<=m;i++)
        {
            char s[2];
            scanf("%s %d %d",s,&x,&y);
            if(s[0]=='U')
                update(y,x);
            else printf("%d\n",query(x,y,1,n,1));
        }
    }
    return 0;
}


——既然选择了远方,便只顾风雨兼程

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