BestCoder Round #88

1.hdu5907                              

                                                           Find Q

                                                                              Time Limit: 2000/1000 MS (Java/Others)Memory Limit: 262144/131072 K (Java/Others)
Problem Description

Byteasar迷恋上了'q'这个字母。

在他眼前有一个小写字母组成的字符串S,他想找出S的所有仅包含字母'q'的连续子串。但是这个字符串实在是太长了,你能写个程序帮助他吗?

Input

输入的第一行包含一个正整数T(1≤T≤10),表示测试数据的组数。

对于每组数据,包含一行一个小写字母组成字符串S,保证S的长度不超过100000。

Output

对于每组数据,输出一行一个整数,即仅包含字母'q'的连续子串的个数。

Sample Input

2
qoder
quailtyqqq
Sample Output
1
7

         这道题求出每个位置往左能延伸多少个q即可,时间复杂度O(n)。然而我因为没用longlong 被别个hack了。。。血崩,AC代码:

#include<stdio.h>
#include<string.h>
#define LL long long 
char str[100005];
LL Fun(LL x){
    LL i;
    LL ans=0;
    for(i=0;i<=x;i++){
        ans+=i;
    }
    return ans;
}
int main()
{
    int T,i,j;
    scanf("%d",&T);
    while(T--){
        scanf("%s",str);
        LL ans=0;
        for(i=0;i<strlen(str);i++){
            if(str[i]=='q'){
                for(j=i+1;j<strlen(str)+1;j++){
                    if(str[j]!='q'||j==strlen(str)+1)
                    {
                        ans+=Fun(j-i);
                        i=j-1;
                        break;
                    }
                }
            }
        }
        printf("%lld\n",ans);
    }
}

2.hdu5908


                                                  Abelian Period

                                                               Time Limit: 2000/1000 MS (Java/Others)Memory Limit: 262144/131072 K (Java/Others)
问题描述

S是一个数字串,定义函数occ(S,x)occ(S,x)表示S中数字x的出现次数。

例如:S=(1,2,2,1,3),occ(S,1)=2,occ(S,2)=2,occ(S,3)=1。
如果对于任意的i,都有occ(u,i)=occ(w,i),那么我们认为数字串uw匹配。

例如:(1,2,2,1,3)(1,3,2,1,2)。

对于一个数字串S和一个正整数k,如果S可以分成若干个长度为k的连续子串,且这些子串两两匹配,那么我们称k是串S的一个完全阿贝尔周期。

给定一个数字串S,请找出它所有的完全阿贝尔周期。
输入描述

输入的第一行包含一个正整数T(1T10),表示测试数据的组数。

对于每组数据,第一行包含一个正整数n(n100000),表示数字串的长度。

第二行包含n个正整数S1,S2,S3,...,Sn(1Sin),表示这个数字串。
输出描述
对于每组数据,输出一行若干个整数,从小到大输出所有合法的k
输入样例
2
6
5 4 4 4 5 4
8
6 5 6 5 6 5 5 6
输出样例
3 6
2 4 8
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