NOIP2016 滚粗记

初赛关卡

每一次竞赛对于我来说都是在死亡线上的挣扎。


或许以后再来看今天,还会是个比较特别的日子。

因为有班主任的保证,所以一觉睡到了早读课快下课的时候,结果起来还是有点感冒。小卖部没有开所以早餐也没有吃(惨遭班主任坑)。

谈谈天气的话……情深深雨蒙蒙吧。雾气真的很重,闷热,偏偏自己又觉得冷,搞笑。

早上无所事事,只是把知识点中那些“考到必懵”的“硬件题”——问下面那些是(关系)数据库/(网络)操作系统软件——这类题目稍微查了查度娘。

顺便还看了vfleaking大犇一篇出cf的博客,表示入迷。


午休在大巴上度过,顺便嘲讽了自己准考证上的照片(我果然是见光死星人)。其实也没睡着,反而回忆起自己以前也面临这种局势的时候——中考,初中的Easy竞赛……

似乎每一次竞赛都会遇到考前这种基底不稳而害怕的情况。估摸就是学习方法的问题,我还有一点轻度强迫症,导致每次都会因为做笔记的问题慢下别人很多很多。反正无论如何,我就是蒟蒻。

除了睡觉,脑内就一直在循环播放歌曲了。


下午来到温州考点,神TM 1:00pm 就到了,保安不放进去,最后折中了一下,让我们继续困在车里(万脸懵逼)。

我是比较喜欢十二中的考试环境的,诺大的篮球场让tfy,chk大犇们感叹自己学校的简陋。

我没什么事情干,于是血界,食戟,喰种,暗杀等的OP,ED循环地在那里唱,于是十二中出现一道奇特的风景——一长残少年唱奇怪外文歌23333。

陆续地来了一大波温州原住民,初中同学去温育的人最多,但在温育人堆里找一找,没有找到熟悉的人,估计和初中一样半途而废了;温州中学只去了三个,但是有俩学信息,不过没等到温州中学就进考场了。

进去的时候zqh大犇给他一学弟打了个招呼,我在一旁默默地循环Sugar Song and Bitter Step,突然听见他学弟用磁性的嗓音跟他说再见。

——救命啊zqh大大你确定你学弟比你高还比你攻这件事情真的大丈夫么233333


之后稍微等了一下,考试就开始了。按照我Ak惯例先写阅读程序。A题日常水,B题是判断是否出现子序列,C题大概是回文LCS,D题卧槽这不是求树的重心么,差点手贱写成6,害怕。

然后完善程序,卧槽两题链表?Are you OK?B题居然是SPFA……然后我在NOIP整理那个博文里的flag破了,还真TM考了优化算法。幸好基本了解原理,轻松A掉。

然后A题让我迟疑最久的是快排交换哪个部分。该不该降低常数写成 i<j ?有点小害怕,忽然想起 i==j 的话跳不出来啊(这个错误点在以前一套初赛试卷里考过,那个二分太恶心了),于是信心满满不再查完善程序,事实证明flag没有倒。

之后写选择题和问题求解,卧槽多选第4题什么鬼2333,是不是还要考虑内外大气压233333。比较高兴的是“硬件题”非常少。

最怕的还是纯数学的排列与组合+递推,基本用 AxyCxy 求的都没对过。单选7题意有点迷,问题求解1考不考虑没有黑色的情况?反正我最后一刻把54改成55……


准备返校。天色不应景,灰色,掉着雨水。走出大门的时候总算碰到lz,从背后抱过来差点没摔倒,毕竟这么久没见了我们俩都很高兴,只是没遇到dxs有点可惜……

在车上和Spy大神一对问题求解,对了,于是我预感到自己这波稳了。再对程序完善,日常全对;再对选择题,诶好像只有一俩个多选不确定诶。阅读程序对一下重心,也对了。登时欢欣雀跃,稳了。

返程到一半,我突然发现大犇们在哭天抢地地说逗号剧毒。

黑人问号脸???

翻一下试卷,被前两题的for里面鲜明的’,’搞懵了。zz数据后面再添一个’,’想闹哪样?逼死强迫症啊。shy大犇说大概只会扣一两分,小C又说这次估计75分就能过。于是呵呵,怎么扣都扣不到75吧。


晚上回到学校果然没饭吃了,小C偷渡了一堆方便面进来,皆大欢喜。然后对了对答案,除了两笔逗号,其他全对,稳84了,基本没后顾之忧。

说着我仔细瞄了瞄答案,上面标明“没有过程分”。有点悬。

翻了翻贴吧,果然一万个逗号中枪23333。去洛谷打了个卡,大吉,呵呵呵。翻翻讨论版,写条犇犇说原试卷上没有控制这个,所以有少扣分的余地,顺便再安慰一下自己。

再翻一会儿,都是前人大犇在说着这波稳扣8分,然后一堆说自己稳95+的,有点方;

一堆人说这次题目简单,所以分数线可能很高,又有点方;

找不到积极一点的评论了。顺便被小C批了。总算有点想哭了。


停了好久的文化课,全靠班主任一直在给我们开绿灯。中途打了酱油,显然不能和其他人一起同时间补课了。剩下的1个月会非常尴尬。

小C也放过狠话了,初赛不能裸过就不给继续竞赛了。就算他不说,我自己心里也过不去。

这两个逗号说不定真的会改变我的人生。

看着机房里的大家继续愉快地刷题,而我在电脑前徘徊。

批判了出题人,吐槽了格式问题。剩下的或许是我应得的,粗心的问题,没有好好整理自己犯下的错误(如果我进了复赛周估计也会出现这样的问题),微小的对题目太简单的轻视,还有许多……但是没有办法,我已经做到最好了。

和以前一样,做之前设想着绝不后悔,做之后才渴望后悔。

但是不能太陷入低谷……Spy大犇还在一如既往地鼓励我,小C还在尽可能地想办法找机会少扣分,sfx还在一直把我当作大神,明明自己早已不配……还轮不到我陷入低谷呢。

或许过了今天,明天又是一个三点一线的日子:寝室-机房-教室。

或许这篇文章还有后续。

不过这些还都不是最重要的。因为明天还有一场组队cf。w(゚Д゚)w


顺便祝各位考砸的朋友们,前程比考进的人还好(flag高高挂起,祝各位good luck)。

初赛关卡结果:省内101名,分数96

我在洛谷里说过试卷上没有标明不含部分分,所以肯定还有水分。果然少末尾逗号只扣2分。现在只是想嘲笑那些考试结束就对逗号问题不抱希望的人,以及那些自以为是、故作大佬、教导我们蒟蒻不要再奢望这次考试的那些“神犇”了。

现在想起那天晚上因为这些人而纠结这种事情真是不值。

被洛谷站长翻牌留念:

这里写图片描述

既然有了这份进复赛的机遇,是个人都要努力啊。_ (:зゝ∠)_


智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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