51Nod 论学好数学是多么重要 (圆与三角形相交)

#include <iostream>
//#include <fstream>
//#define cin in
typedef  long long ll;
using namespace std;
struct point 
{
    int x;
    int y;
};
ll getdistance(point s1,point s2)
{
    return (s1.x-s2.x)*(s1.x-s2.x)+(s1.y-s2.y)*(s1.y-s2.y);
}
int isTouch(point c,int r, point s1,point s2)
{
   //两点式求得ABC
    ll A=s2.y-s1.y;
    ll B=s1.x-s2.x;
    ll C=s2.x*s1.y-s1.x*s2.y;
    //余弦定理
    ll cs1=(c.x-s1.x)*(c.x-s1.x)+(c.y-s1.y)*(c.y-s1.y);
    ll cs2=(c.x-s2.x)*(c.x-s2.x)+(c.y-s2.y)*(c.y-s2.y);
    ll s1s2=(s1.x-s2.x)*(s1.x-s2.x)+(s1.y-s2.y)*(s1.y-s2.y);
    
    //将点到直线距离公式转换
    ll left=(A*c.x+B*c.y+C)*(A*c.x+B*c.y+C);
    ll right=(A*A+B*B)*r*r;
    if(left>right)//d>r
    return 0;
    else
 /*  {
        ll dotproduct_s = (-B) * (c.x - s1.x) + A * (c.y - s1.y);         
ll dotproduct_t = B * (c.x - s2.x) - A * (c.y - s2.y);         
return (dotproduct_s >= 0 && dotproduct_t >= 0);  
    }
    */
    return (s1s2+cs1-cs2>=0&&cs2+s1s2-cs1>=0);//两种都可以 
    //有两个交点则线段端点与圆心的两个夹角必为锐角,或直角
    return 0;
    
}
void main()
{
// ifstream in;
// in.open("C:\\Users\\cong\\Desktop\\1.txt");
    int t,r;
    point circle,s1,s2,s3;
    cin>>t;
    while(t-->0)
    {
        cin>>circle.x>>circle.y;
        cin>>r;
        cin>>s1.x>>s1.y;
        cin>>s2.x>>s2.y;
        cin>>s3.x>>s3.y;
        ll s1c,s2c,s3c;
        s1c=getdistance(circle,s1);
        s2c=getdistance(circle,s2);
        s3c=getdistance(circle,s3);
        ll r2=r*r;
        if(s1c<r2&&s2c<r2&&s3c<r2)//三点在圆内,不可能相交
        {
            cout<<"No"<<endl;
        }
        else if(s1c>r2&&s2c>r2&&s3c>r2)//三点在圆外,有可能
        {
            int flag1=isTouch(circle,r,s1,s2);
            int flag2=isTouch(circle,r,s1,s3);
            int flag3=isTouch(circle,r,s2,s3);
            if(flag1||flag2||flag3)
            {
                cout<<"Yes"<<endl;
            }
            else cout<<"No"<<endl;
        }
        else cout<<"Yes"<<endl;
    }
    
}
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