NOIP2017 PJ蒟蒻的游记

所以……NOIP2017是不是结束了?
作为一个 PJ 的蒟蒻 完全没东西写……
决定乱糊一篇

初赛

现在回想起来
感觉就是:
我的初赛是不是乱糊的
选择题好像是错了6题
读程错了1题……
感觉自己的程序填空全程瞎写
居然还有78成功进入复赛
无语无语……

Day 0

作为一个 PJ蒟蒻,本来比赛只有一天,但还是把 11.10 当成 Day 0 好了
正常人的想法一定是:
额啊啊明天比赛了赶紧好好复习
本来我也是这样的……结果队里一个不要脸的dalao居然找我……
打LOL
然后我就成功地上了一条贼船
好像打了两把还都赢了

Day 1

比赛日!
然后我们一行就一脸懵逼的来到QZ了(ZJ蒟蒻)
结果本蒟蒻路上还在打fgo

十二试炼强行苟了好几个回合愣是一遍过了
(请无视上方)

然后就去学校里吃了个饭,那里伙食居然比我校好!
顺便找了个国家队大佬过来给我们灌了一波鸡汤
然后就进考场了……
3.5h的考试我愣是没用上厕所大法(想想挺后悔的)
只记得自己T1T2没几分钟就写出来了
T3自信地写了一个dfs+剪枝,还以为自己可以AC
(好吧其实是我根本没想到记搜或者最短路什么的)
T4成功地打了一个枚举+错误的dp
然后就交卷了……
然后回来自己测就绝望了……
Luogu自测275……
T3 55 T4 20
绝望绝望

颓废几天之后出成绩了
290??
果然应证了那句老话:
数据是死的,人是活的,出题人是懒的
T3成功拿到60 结果发现加记搜就70了……
我的300啊!
T4居然骗到30分
WA了一个点 剩下全RE我是懵逼的
似乎是下溢了(类似 a[1]
早知打暴力用map了……
队里最高350……第四题被卡掉了50分
同情+10086

Day不知道多少

过了几天
分数线出了
280……
于是本蒟蒻就压线1=了……
明年 TG 走起
我们的目标是 Au(TG没有Au吧啊喂)!
TG 初赛是不是很难啊

原创 By Venus
写的不好大佬轻喷

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