久违的总结

3 篇文章 0 订阅
3 篇文章 0 订阅

久违的总结

前言

好久没碰编辑器了……
第二次集训以来,我几乎场场爆零,次次暴力打错,是时候反思一下自己有什么问题了

<s>据zawedx说写总结可以让分数明显增加</s>

正文

按顺序来说吧

8.11

30 ,非常不好的开端。
吃了没文化的亏, T1 数论含杜教筛, T3 对分数进行网络流。
T2 的思路是用多项式表达DP数组的线性转移,用 NTT 进行多项式快速幂。我考场上不敢去想,也反映了我对知识点掌握的不够熟练,以及不敢实现程序。

8.12

到这场,我的代码能力就出现问题了。前两道题,一题数据结构,一题数论,我的部分分全部没有拿到。
同时也暴露了我做题策略上的问题。 T3 是一道贪心水题,却由于我在前两题上花费太多时间,没有去看、去想,导致 70 分白白丢掉。

8.14

三题暴力全错,十分 excited
第一题矩形修改矩形查询的思路非常 naive ,说明我针对数据结构转化问题的能力不够强。
第二题貌似是一道旧题的弱化版, ZW 马上就想出来了。但我连简单的 n2DP 都写不对还是说明了问题
T3 又是一道简单的 twopointer ,唉……
不过这套题最后还是改出来了。 T1 树状数组支持矩形查改的技巧还是非常有意义的。

8.16

我打的第一场清华模拟,由于想出了 T3 ,拿了个不错的分数。(虽然明明能 AC 的)
在第二题上花费了太多时间,还是由于计算几何太薄弱了,即使想出正解也打错。
第一题至今没过,数据结构能力还是不足。

8.17

又光荣爆 30 ……
T1 的做法挺妙的,是我想不到。
T2 就是 SB 数据结构题了,但是因为我对均摊分析不够敏感,导致我写了一个相当麻烦的树套树,显然没调过……
T3 是一道整体二分题,这又显示出我数据结构的薄弱了。不过隔壁 YMW 大佬好强啊,随手写了一个可持久化树套树就过了。

8.18

爆零……
T1 题面虽然难,但其实规律很简单,吃了没思考的亏。
T2 贪心很好想,但是由于脑抽写了 LCT 没调过去……
T3 暴力又打错
不能再菜了……

结尾

综上所述,我若是想要冲击省队,还需要全方面的提升

  • 多写题,提升代码能力,调试能力。
  • 多学习知识点。
  • 多思考,简化问题,尽量用简单的方法求解问题
  • 比赛时一定要每题都看,每题都想,调整做题策略,分配好时间。

等待,并心怀希望吧!

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