蝌蚪安家

小蝌蚪安家

发布时间: 2017年6月13日 14:20   最后更新: 2017年6月13日 14:23   时间限制: 1000ms   内存限制: 128M

在一个矩形区域内,有些地方有水,有些地方没水。所有相邻的有水的地方会共同组成一个水洼,小蝌蚪想在这块区域中找到一个最大的水洼来安家。


有多组输入数据,每组第一行包含两个正整数n,m(n,m<=100),接下来n行,每行m个字符,“.”表示有水,“#”表示没水。

对于每组输入数据输出一行,包含一个整数,表示最大的水洼的面积。

  复制
3 3
###
###
##.
2 3
#..
..#
3 3
##.
#..
.##
1
4
3



基础题,bfs或者dfs。为练习,使用dfs。

解决方法:一种是floodfill,一种是一般的dfs。

#include<iostream>
#include<string.h>
using namespace std;
const int maxn = 100+5;

int m,n,area,maxlen;
char map[maxn][maxn];
int vis[maxn][maxn];
int num[100];
void dfs(int r,int c,int idx)
{
	if(r<0||r>=m||c<0||c>=n)return;//防出界
	if(vis[r][c]||map[r][c]!='.')return;
	
	vis[r][c] = idx;
	
	for(int dr = -1;dr<=1;dr++)
		for(int dc = -1;dc<=1;dc++)
		 if(dr!=0||dc!=0)//不同时为零
		 
//	dfs(r+1,c,idx);
//	dfs(r-1,c,idx);
//	dfs(r,c+1,idx);
//	dfs(r,c-1,idx); 
//		
			
	num[idx]++;	
	
}
int main()
{
	
	while(cin>>m>>n)
	{ 
	maxlen = -1;
	for(int i = 0;i<m;i++)scanf("%s",&map[i]);
	memset(vis,0,sizeof(vis)); 
	memset(num,0,sizeof(num));
	int cnt= 0;
	for(int i = 0 ;i < m;i++)
		for(int j = 0; j < n;j++)
		if(!vis[i][j]&&map[i][j]=='.')dfs(i,j,++cnt);
		cout<<cnt<<endl;
		
	for(int i =0 ;i < 100;i++)
	{
		maxlen = max(maxlen,num[i]);
		
	}
	cout<<maxlen<<endl;
		
	}	
}

 

#include<iostream>
#include<string.h>
using namespace std;
#define M 110
int n,m,maxA,tmpA;
char map[M][M];
int vis[M][M];
int to[4][2] = {{1,0},{0,1},{-1,0},{0,-1}};
void dfs(int sx,int sy)
{
	if(vis[sx][sy]||map[sx][sy]!='.')
		return ;
	if(sx<0||sx>=n||sy<0||sy>=m)
		return ;
	
	vis[sx][sy] = 1;
	tmpA++;
	
	for(int i = 0 ;i < 4;i++)
	{
		dfs(sx+to[i][0],sy+to[i][1]);
	}
	
	
}




int main()
{
	
	freopen("kedou.txt","r",stdin);
	while(scanf("%d%d",&n,&m)!=EOF)
	{
		memset(vis,0,sizeof(vis));
		for(int i = 0 ; i < n;i++)
		scanf("%s",&map[i]);
		maxA = 0;
		tmpA = 0; 
		for(int i = 0;i<n;i++)
			for(int j =0;j<m;j++)
			{
				if(map[i][j]=='.'&&vis[i][j]!=1)
				{	
					dfs(i,j);
					maxA = max(maxA,tmpA)
					tmpA = 0;
				}
			}
		cout<<maxA<<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