线段树题型2

Color the ball

Time Limit: 9000/3000 MS (Java/Others)    Memory Limit: 32768/32768 K (Java/Others)
Total Submission(s): 9208    Accepted Submission(s): 4709



Problem Description
N个气球排成一排,从左到右依次编号为1,2,3....N.每次给定2个整数a b(a <= b),lele便为骑上他的“小飞鸽"牌电动车从气球a开始到气球b依次给每个气球涂一次颜色。但是N次以后lele已经忘记了第I个气球已经涂过几次颜色了,你能帮他算出每个气球被涂过几次颜色吗?
 

Input
每个测试实例第一行为一个整数N,(N <= 100000).接下来的N行,每行包括2个整数a b(1 <= a <= b <= N)。
当N = 0,输入结束。
 

Output
每个测试实例输出一行,包括N个整数,第I个数代表第I个气球总共被涂色的次数。
 

Sample Input
  
  
3 1 1 2 2 3 3 3 1 1 1 2 1 3 0
 

Sample Output
  
  
1 1 1 3 2 1 代码:

#include<stdio.h>

#include<string.h>

#include<stdlib.h>

struct comp

{    

int l,r,mid,x;

}data[400010];

int first;

void bulid(int l,int r,int k)//建树;

{

    data[k].l=l;

    data[k].r=r;

    data[k].mid=(l+r)/2;

    data[k].x=0;    if(l==r)        return ;

    bulid(l,data[k].mid,2*k);

    bulid(data[k].mid+1,r,2*k+1);

}

void updata(int l,int r,int k)

{    if(data[k].l==l&&data[k].r==r)//如果需要涂色的区间等于该区间,区间内每个气球的涂色次数加1;

    {

        data[k].x++;       

 return ;

}   

 if(r<=data[k].mid)

        updata(l,r,2*k);   

 else if(l>data[k].mid)

        updata(l,r,2*k+1);    

else    {

        updata(l,data[k].mid,2*k);

        updata(data[k].mid+1,r,2*k+1);

    }

}

void search(int k)

{    if(data[k].l==data[k].r)//一个叶子节点,没有下一层了直接输出

    {        if(!first)

            printf("%d",data[k].x);//输出的第一个数前面没有空格; 

           else

            printf(" %d",data[k].x);

        first=1;        return ;

    }

    data[2*k].x+=data[k].x;//把上一层涂的次数加到下一层上,一直更新到叶子节点

    data[2*k+1].x+=data[k].x;

    search(2*k);

    search(2*k+1);

}

int main()

{    int i,n,a,b;    while(scanf("%d",&n),n)

    {

        bulid(1,n,1);        for(i=1;i<=n;i++)

        {

            scanf("%d%d",&a,&b);

            updata(a,b,1);

        }

        first=0;

        search(1);

        printf("\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