qduoj LC的课后辅导(单调栈)

LC的课后辅导

发布时间: 2015年9月19日 21:42   时间限制: 1000ms   内存限制: 256M

有一天,LC给我们出了一道题,如图:

45660aba95464e61adfbbcc7cea2c44c.jpg

这个图形从左到右由若干个 宽为1 高不确定 的小矩形构成,求出这个图形所包含的最大矩形面积。

多组测试数据
每组测试数据的第一行为n(0 <= n <= 100), 表示图形有n个小矩形构成
接下来一行输入n个整数h1, h2...hn(0 <= hi <= 1000), 表示每个小矩形的高度
n为0时程序结束

仅输出一行表示面积的最大值

  复制
7
2 1 4 5 1 3 3
4
1000 1000 1000 1000
0
8
4000
遍历每一个点,确定出该点可以延伸到的端点,就确定了矩形的底,再乘以该点的值就是面积
#include<stack>
#include<cstdio>
#include<climits>
using namespace std;
const int M = 105;
int a[M];
int L[M];
int R[M];
stack<int> st;
int main()
{
    int n;
    while(~scanf("%d", &n)&&n)
    {
        for(int i=1;i<=n;i++)
        {
            scanf("%d", &a[i]);
        }
        while(st.size())
            st.pop();
        for(int i=1;i<=n;i++)//确定左端点
        {
            while(!st.empty()&&a[st.top()]>=a[i])
                st.pop();
            if(st.empty())
                L[i] = 1;
            else
                L[i] = st.top() + 1;
            st.push(i);
        }
        while(st.size())
            st.pop();
        for(int i=n;i>0;i--)//确定右端点
        {
            while(!st.empty()&&a[st.top()]>=a[i])
                st.pop();
            if(st.empty())
                R[i] = n;
            else
                R[i] = st.top() - 1;
            st.push(i);
        }
        int ans=INT_MIN,tmp;
        for(int i=1;i<=n;i++)
        {
            tmp = (R[i] - L[i] + 1)*a[i];
            ans = max(ans, tmp);
        }
        printf("%d\n", ans);
    }
    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