URAL 1221 Malevich Strikes Back! (DP动态规划 O(n^2) )

#include <stdio.h>
#define MAX_SIZE 101
#define MIN(x, y) ( (x) < (y) ? (x) : (y) )
int paper[MAX_SIZE][MAX_SIZE];
//存储从左上left top 到右下 right bottom的扫描结果
int lt2rb[MAX_SIZE][MAX_SIZE];
int lb2rt[MAX_SIZE][MAX_SIZE];
int rt2lb[MAX_SIZE][MAX_SIZE];
int rb2lt[MAX_SIZE][MAX_SIZE];

int main(){
	
	int paperSize;
	while (scanf("%d", &paperSize) != EOF && paperSize != 0){
		int row, column;
		for (row = 1; row <= paperSize; row++)
			for (column = 1; column <= paperSize; column++)
				scanf("%d", &paper[row][column]);

		//先扫描四个边沿
		int i;
		for (i = 1; i <= paperSize; i++){
			//上
			if (paper[1][i] == 0)
				lt2rb[1][i]= rt2lb[1][i] = 1;
			else
				lt2rb[1][i]= rt2lb[1][i] = 0;
			//下
			if (paper[paperSize][i] == 0)
				lb2rt[paperSize][i] = rb2lt[paperSize][i] = 1;
			else
				lb2rt[paperSize][i] = rb2lt[paperSize][i] = 0;
			//左
			if (paper[i][1] == 0)
				lt2rb[i][1] = lb2rt[i][1] = 1;
			else
				lt2rb[i][1] = lb2rt[i][1] = 0;
			//右
			if (paper[i][paperSize] == 0)
				rt2lb[i][paperSize]  = rb2lt[i][paperSize] = 1;
			else
				rt2lb[i][paperSize]  = rb2lt[i][paperSize] = 0;
		}

		int temp;

		//从左上角往右下角扫描
		for (row = 1; row <= paperSize; row++)
			for (column = 1; column <= paperSize; column++){
				if (paper[row][column] == 1)
					lt2rb[row][column] = 0;
				else {
					temp = MIN(lt2rb[row - 1][column], lt2rb[row][column - 1]);
					if (paper[row - temp][column - temp] == 1)
						//对角位置为黑色
						lt2rb[row][column] = temp + 1;
					else 
						lt2rb[row][column] = 1;
				}
			}
		//从左下角往右上角扫描
		for (row = paperSize; row >= 1; row--)
			for (column = 1; column <= paperSize; column++){
				if (paper[row][column] == 1)
					lb2rt[row][column] = 0;
				else {
					temp = MIN(lb2rt[row + 1][column], lb2rt[row][column - 1]);
					if (paper[row + temp][column - temp] == 1)
						lb2rt[row][column] = temp + 1;
					else 
						lb2rt[row][column] = 1;
				}
			}
		//从右上角往左下角扫描
		for (row = 1; row <= paperSize; row++)
			for (column = paperSize; column >= 1; column--){
				if (paper[row][column] == 1)
					rt2lb[row][column] = 0;
				else {
					temp = MIN(rt2lb[row - 1][column], rt2lb[row][column + 1]);
					if (paper[row - temp][column + temp] == 1)
						rt2lb[row][column] = temp + 1;
					else 
						rt2lb[row][column] = 1;
				}
			}
		//从右下角往左上角扫描
		for (row = paperSize; row >= 1; row--)
			for (column = paperSize; column >= 1; column--){
				if (paper[row][column] == 1)
					rb2lt[row][column] = 0;
				else {
					temp = MIN(rb2lt[row + 1][column], rb2lt[row][column + 1]);
					if (paper[row + temp][column + temp] == 1)
						rb2lt[row][column] = temp + 1;
					else 
						rb2lt[row][column] = 1;
				}
			}

		int max = 0;
		for (row = 1; row <= paperSize; row++)
			for (column = 1; column <= paperSize; column++){
				temp = lt2rb[row][column];
				if (temp == lb2rt[row][column] && temp == rt2lb[row][column] && temp == rb2lt[row][column])
					if (temp > max)
						max = temp;
			}
		
		if (max > 1)
			printf("%d\n", (max << 1) - 1);
		else
			printf("No solution\n");
	}
	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