电话薄

电话薄

Time Limit:10000MS  Memory Limit:65536K
Case Time Limit:1000MS

Description

何老板的手机很先进,当要拨打一个号码时,你需敲出该号码的前面几个数字,手机就会自动找出以该数字为前缀的所有号码。 
比如下列电话薄: 
TOM:1388 
JIM:13885599999 
LEE:13812345678 
TEC:0236588888 
如果何老板敲了138三个数字,手机屏幕上就会显示TOM、JIM和LEE的名字。很是方便呀! 

但是何老板发现有不好的地方就是比如他想拨打JIM的号码,当他在手机上敲了1388这四个数字,没等何老板敲完其它数字,手机就会自动拨打TOM的号码,这让何老板很是烦恼。也就是说一旦手机发现你当前敲出的数字与电话薄中的某个号码匹配了,它就会自动拨打该号码。 

于是何老板想知道,他的电话薄中,也就是是否存在一个号码是其它号码的前缀的情况。 

Input

第一行,一个整数t,表示有t组测试数据1 ≤ t ≤ 40 
对于每组测试数据: 
第一行一个整数n(1 ≤ n ≤ 10000),表示电话薄中有n个号码 
接下来n行,每行一个数字,表示一个电话号码,每个电话号码的长度不超过10,并且是唯一的。

Output

每组测试数据输出一行,如果有有号码是其它号码的前缀,输出"NO"否则输出"YES"

Sample Input

2
4
1388
13885599999
13812345678
0236588888
5
113
12340
123440
12345
98346

Sample Output

NO
YES

Source

改编自Nordic 2007 poj3630


#include <cstdio>
#include <cstring>
using namespace std;
#define maxn 20009
struct node{bool used, haveson;int next[11];}trie[maxn*10];
int tot=1;
void _solve()
{
	int n, i, p, len;
	bool flag=1;
	char phone[20];
	scanf("%d", &n);
	while(n--)
	{
		scanf("%s", phone);
		p=1;
		len=strlen(phone);
		for(int i=0; i<len; i++)
		{
			int t=phone[i]-'0';
			trie[p].haveson=true;
			if(trie[p].next[t]==0)
			{
				tot++;
				trie[p].next[t]=tot;
				p=trie[p].next[t];
			}
			else
			{
				
				p=trie[p].next[t];
				if(trie[p].used)	flag=0;
			}
		}
		trie[p].used=true;
		if(trie[p].haveson)
		{
			flag=0;
		}
	}
	if(flag)	printf("YES");
	else printf("NO");
	putchar('\n');
	
}
int main()
{
	int t;
	scanf("%d", &t);
	while(t--)
	{
		_solve();
		for(int i=1; i<=tot; i++)
		{
			trie[i].haveson=trie[i].used=0;
			for(int j=0; j<11; j++)	trie[i].next[j]=0;
		}
		tot=1;
	}
	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