NOIP模拟(20171030)T3 星星

题意:(说不清)
一道证明复杂度题
这样是 O(mmlog2n)
自己看吧~

#include<bits/stdc++.h>
#define LEN 300000
using namespace std;
inline int getint(){
    int x=0,p=1;
    char c=getchar();
    while(!isdigit(c)){
        if(c=='-')p=-1;
        c=getchar();
    }
    while(isdigit(c)){
        x=(x<<3)+(x<<1)+(c^'0');
        c=getchar();
    }
    return x*p;
}
struct road{
    int u,v;
}r[LEN];
vector<int>r2[LEN];
int d[LEN];
inline void work(){
    int n=getint(),m=getint();
    for(int i=0;i<=n+1;++i){
        r2[i].clear();
        d[i]=0;
    }
    for(int i=0;i<=m+1;++i){
        r[i].u=r[i].v=0;
    }
    #if n==30
    #define int char
    #endif
    for(int i=1;i<=m;++i){
        int u=getint(),v=getint();
        r[i].u=u,r[i].v=v;
        r2[u].push_back(v);
        r2[v].push_back(u);
        ++d[u],++d[v];
    }
    for(int i=1;i<=n;++i){
        sort(r2[i].begin(),r2[i].end());
    }
    long long ans=0;
    for(int i=1;i<=m;++i){
        int u=r[i].u,v=r[i].v;
        if(d[u]>d[v])swap(u,v);
        int tot=0;
        vector<int>::iterator xx=r2[v].begin();
        for(int j=0;j<d[u];++j){
            if((xx=lower_bound(xx,r2[v].end(),r2[u][j]))!=r2[v].end()&&*xx==r2[u][j]){
                ++tot;
            }
            if(xx==r2[v].end())break;
        }
        ans+=(long long)tot*(tot-1)/2;
    }
    cout<<ans<<"\n";
}
int main(){
    int t=getint();
    while(t--){
        work();
    }
    return 0;
}

好吧,证一下复杂度。
将点分为两类,度数 <n <script type="math/tex" id="MathJax-Element-4918"><\sqrt n</script>的叫轻点,反之叫重点
易得重点不超过 O(n)
对于所有有至少一端为轻点的边,每次查询复杂度为 O(nlog2n)
对于所有连接两个重点的边,我们考虑每个黑点被作为代码中的 v 的时后,最多会枚举所有度数比它小的所有点的所有边,总边数不超过m,共 O(n) 个黑点,故总复杂度为 O(nlog2n)
证毕

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