POJ 1828 解题报告

这道题刚开始以为是求凸包(convex hull),后来发现那样把最小的边界点也统计进去了。

所以最终的做法只是按x排序,再对每个点扫描判断(是否存在x,y都不小于它的点)。

thestoryofsnow1828Accepted572K1563MSC++1405B

/* 
ID: thestor1 
LANG: C++ 
TASK: poj1828 
*/
#include <iostream>
#include <fstream>
#include <cmath>
#include <cstdio>
#include <cstring>
#include <limits>
#include <string>
#include <vector>
#include <list>
#include <set>
#include <map>
#include <queue>
#include <stack>
#include <algorithm>
#include <cassert>

using namespace std;

const int MAXN = 50000;

class Point{
public:
	int x, y;
	Point() {}
	Point(int x, int y) : x(x), y(y) {}

	inline bool operator <(const Point &p) const {
		return x <= p.x;
	}
};


int main()
{
	Point points[MAXN];

	int N;
	while (scanf("%d", &N) && N)
	{
		for (int i = 0; i < N; ++i)
		{
			scanf("%d%d", &points[i].x, &points[i].y);
		}
		sort(points, points + N);

		// printf("[debug]points(%d):\n", N);
		// for (int i = 0; i < N; ++i)
		// {
		// 	printf("%d,%d\t", points[i].x, points[i].y);
		// }
		// printf("\n");

		int cnt = 0;
		for (int i = 0; i < N; ++i)
		{
			bool isKing = true;
			// there may be points with the same x value on the left
			// need to check them as well (for y)
			for (int j = i - 1; j >= 0 && points[j].x == points[i].x; j--)
			{
				if (points[j].y >= points[i].y)
				{
					isKing = false;
					break;
				}
			}
			
			for (int j = i + 1; j < N; ++j)
			{
				if (points[j].y >= points[i].y)
				{
					isKing = false;
					break;
				}
			}
			if (isKing)
			{
				cnt++;
			}
		}
		printf("%d\n", cnt);
	}

	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 1
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