jsoi2008星球大战bzoj1015

//很简单的一题,但是数据范围看错了和读题时没看到是0到n-1搞得WA了一次TLE了一次真是弱啊喵,就是简单的一道离线然后并查集加点就可以了喵

#include<iostream>
#include<cstdio>
#include<algorithm>
#include<cstring>
#define LL long long
#define N 400005
#define M 400005
using namespace std;
LL read()
{
	LL x=0,f=1;char ch=getchar();
	while(ch<'0'||ch>'9'){if(ch=='-')f=-1;ch=getchar();}
	while(ch>='0'&&ch<='9'){x=x*10+ch-'0';ch=getchar();}
	return x;
}
struct wakaka
{
        int x,y,next;
}e[M];
int ls[N],cnt,tot,f[N],used[N],v[N];
int ans[M],q[N],n,m,qes;

void add(int x,int y)
{
        cnt++;e[cnt].x=x;e[cnt].y=y;e[cnt].next=ls[x];ls[x]=cnt;
        cnt++;e[cnt].x=y;e[cnt].y=x;e[cnt].next=ls[y];ls[y]=cnt;
}

int findd(int x)
{
        if (f[x]==x) return x;
        int k=findd(f[x]);
        f[x]=k;return k;
}

void ins(int x)
{
        int p=findd(x);
        for (int i=ls[x];i!=0;i=e[i].next)
        {
                if (used[e[i].y])
                {
                        int q=findd(e[i].y);
                        if (p!=q)
                        {
                                f[q]=p;
                                tot--;
                        }
                }
        }
}

int main()
{
        memset(v,0,sizeof(v));
        memset(used,0,sizeof(used));
        n=read();m=read();
        for (int i=0;i<n;i++)f[i]=i;
        for (int i=1;i<=m;i++)
        {
                int x=read(),y=read();
                add(x,y);
        }
        qes=read();
        for (int i=1;i<=qes;i++)
        {
                int x=read();
                v[x]=1;
                q[i]=x;
        }
        for (int i=0;i<n;i++)
                if (v[i]==0)
        {
                tot++;
                ins(i);
                used[i]=1;
        }
        ans[qes+1]=tot;
        for (int i=qes;i>=1;i--)
        {
                tot++;
                ins(q[i]);
                used[q[i]]=1;
                ans[i]=tot;
        }
        for (int i=1;i<=qes+1;i++)
                printf("%d\n",ans[i]);
        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