文章标题

95 篇文章 0 订阅
31 篇文章 0 订阅

NEUACM新生选拔(笔试)试题及答案

一段高速公路上,30分钟之内见到汽车经过的概率是0.973,那么在10分钟之内见到汽车经过的概率是多少?(某厂的面试题)

答案: 这题的关键在于0.973是见到一辆或多辆汽车的概率,而不是仅见到一辆汽车的概率。在30分钟内,见不到任何车辆的概率为0.027。因此在10分钟内见不到任何车辆的概率是这个值的立方根,而在10分钟内见到一辆车的概率则为1减去此立方根,也就是0.7。

Lbyang在玩一个回合制游戏,他所控制的角色ZS将与8个敌人进行战斗,ZS的攻击力为1,生命值无限,敌人的战斗力和生命值如下。每轮攻击,所有生命值大于0的敌人先对ZS造成伤害,敌人的攻击力不随生命值减少而降低,所有敌人攻击结束后,ZS将任意选择其中一个敌人进行攻击。求ZS所耗费的最少的生命值。
测试数据:
1
8
49 73
58 30
72 44
78 23
9 40
65 92
42 87
3 27

代码:

#include<iostream>
#include<algorithm>
#include<cstring>
#include<cmath>
#include<queue>
#include<cstdio>
using namespace std;
struct node{
    double att;
    double val;
    double lev;
}enemy[11];
bool cmp(node a,node b)
{
    return a.lev>b.lev;
}
int main()
{
    int i,t,n,ans,s;
    scanf("%d",&t);
    while(t--)
    {
        scanf("%d",&n);
        s=0;
        for(i=0;i<n;i++)
        {
            scanf("%lf%lf",&enemy[i].att,&enemy[i].val);
            enemy[i].lev=enemy[i].att/enemy[i].val;
            s+=enemy[i].att;
        }
        sort(enemy,enemy+n,cmp);
        ans=0;
        for(i=0;i<n;i++)
        {
            while(enemy[i].val>0)
            {
                ans+=s;
                enemy[i].val--;
            }
            s-=enemy[i].att;
        }

        printf("%d\n",ans);

    }
    return 0;
 } 

答案:贪心问题, 按 攻击力/生命值 的结果从大到小排序 ,顺序是4 2 3 6 1 7 5 8
结果是 56382

请简述你所能想到的 N!% M 的最优的解法

答案:

简单点的做法 是 先判断 n,m的大小 如果n>=m结果必然是0 然后就是直接乘 边乘边取模…

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