2014西安区域赛总结

 

        24号出发经过28个小时的奔波终于到了西安古城参加我的第一次区域赛,下了车匆

 

匆忙忙赶到酒店发现房间里wifi都没有,马桶放个大就堵了,自来水还是浑浊的,听说

 

有人喝了还食物中毒,幸好笔芯及时买了一大瓶水.......然后我就活下来了。

      

       第二天上午逛了下地广人稀的校园,下午开始热身赛。文剑先敲了C题几何,然后

 

了最后一道水题。搞B的时候我们都把问题想得太复杂了,其实算一下每个数的逆序

 

数最大值就好了,结果我们都掉坑里没爬出来..遗憾结束了热身赛。

 

      周日早早爬起来赶车去学校,泡了三包咖啡提精神。比赛开始,振坤先弄好CB写好

 

文件什么的,我从A开始看题,文剑从最后开始。发现A题目太长我就直接跳过了,看

 

一下C好像可以搞,于是叫振坤敲了一下样例没过,原来题目说的子序列是可以不连

 

的。文剑看的K题大家手写了下还是没什么思路,这时振坤发现有人过了A马上看了一

 

题,神奇得看出了题意于是一A了- -....

  

       然后我们各看了几题发现没什么可做,看榜之后K题好多人过了,我和文剑继续想

 

下。发现A>B时数列是A, B, A-B, A-2B, B, A-3B ,A-4B ,B ....当A-kB<0后

 

就可以把 A-(k-1)B 或 B 当成A,把kB-A当成B,继续推,然后就跟gcd挂上钩了,把商

 

加一下就A了.....

     

       接着是F题,振坤推了两次公式都wa了,于是去搞I题。我和文剑再看下那公式,发

 

现有情况重复算了,搞来搞去就弄出了个容斥,接着改了代码就A了...振坤搞的I题改了

 

几个细节之后还在wa,文剑也在帮忙,我试做了下C题发现做法是错的。时间剩下不多

 

了,我就看了振坤I题的代码,看了几遍好像也没什么bug,此时这题已经wa了好多次

 

了,振坤就去搞了下博弈题,最后还是决定搞I题,还好在最后十几分钟发现了...惊险拿

 

了个银。
   

      这次比赛突出的问题就是罚时太多了,F题wa了4次,主要是一开始推的公式都能过

 

一些小数据,以为就是对了。I题wa了9次,可能是除A题之外都过得不轻松,心态也浮

 

躁了,把代码小改一下就交,最终排在4题最后一名。

      

       对比一下银首的,发现不仅罚时少很多,而且过题比我们快非常多,F和K题都是数

 

学有关的,我需要在这方面好好加强,I题细节没有处理好,心态就越来越烦。在交题之

 

前就需要考虑好各个方面的细节,联想一下类似题型的坑点,不要敲完就急着交一发,

 

多测几组数据,注意特判,wa了之后更要沉住气,从算法,读题,代码仔细检查。

 

       另外,我们的知识面不够广,虽然每个人都有负责的那一块,但交叉比较小,还需

 

要多刷刷各类比较基本的题型。

 

       加油!希望我们三能越走越远!

 

 

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