poj2823 Sliding Windows(单调队列果题)

题意:

给出n,m接下来n个数。要求第一行输出该序列从左到右每连续m个数中最小的数,共n-m+1个数。第二行要求输出该序列从左到右每连续
m个数中最大的数,共n-m+1个数。

思路:

简单的单调队列的应用,两个问题共性,就说一个。用一个队列q[...]来存最值,因为区间从左到右的滑动过程中,
必然左边不满足距离条件的数需要出队列pos - q[head].pos >= m,也就是超出了询问区间,而且这个值删除
后不会影响后面的区间询问。那么当前位置的值a[pos]要添加到队列中去,当q[tail-1].value < a[i]时,
队列尾部的元素就没存在的必要了,tail--就直接删掉。

code:

const int maxn = 1e6 + 10;
struct node {
    int pos, value;
    node() {}
    node(int pos,int value) {
        this->pos = pos;
        this->value = value;
    }
}p[maxn];
int a[maxn];
int n, m;
void get_max() {
    int head = 0, tail = 0;
    for (int i = 1;i <= n;++i) {
        while(head < tail && i - p[head].pos >= m) head++;
        while(head < tail && a[i] > p[tail - 1].value) tail--;
        p[tail++] = node(i, a[i]);
        if (i >= m) printf("%d%c", p[head].value,i==n?'\n':' '); 
    }
}
void get_min() {
    int head = 0, tail = 0;
    for (int i = 1;i <= n;++i) {
        while(head < tail && i - p[head].pos >= m) head++;
        while(head < tail && a[i] < p[tail - 1].value) tail--;
        p[tail++] = node(i, a[i]);
        if (i >= m) printf("%d%c", p[head].value,i==n?'\n':' ');
    }
}
int main(int argc, const char * argv[])
{   
    // freopen("in.txt","r",stdin);
    // freopen("out.txt","w",stdout);
    while(scanf("%d %d", &n, &m) != EOF) {
        for (int i = 1;i <= n;++i)
            scanf("%d", &a[i]);
        get_min();
        get_max();
    }
    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