火山哥与打铁传说

火山哥与打铁传说
我 们 发 现 , 其 实 鱼 可 以 看 成 括 号 序 列 , 其 中 01 , 11 均 可 配 对 , 但 显 然 01 更 优 , 所 以 我 们 优 先 配 01 , 然 后 再 配 11 我们发现,其实鱼可以看成括号序列,其中01,11均可配对,但显然01更优,所以我们优先配01,然后再配11 01,11010111
统 计 答 案 时 , 我 们 先 看 剩 下 的 1 能 不 能 取 完 大 鱼 , 不 能 的 话 将 11 拆 开 , 一 次 配 两 条 鱼 统计答案时,我们先看剩下的1能不能取完大鱼,不能的话将11拆开,一次配两条鱼 111
如 果 还 是 不 行 , 就 拆 01 , 一 次 配 1 条 鱼 如果还是不行,就拆01,一次配1条鱼 011
还 是 不 行 , 就 没 鱼 了 , 配 不 了 还是不行,就没鱼了,配不了
注 意 点 : 11 拆 开 可 以 配 两 条 鱼 注意点:11拆开可以配两条鱼 :11

#include<bits/stdc++.h>
using namespace std;

typedef long long ll;
const int N=4e5+5;
int n,q,dy[N],xy[N],sum[N],lst[N],tmp[N],tmplst[N];
char s[N];
ll read(){
	char c=getchar();ll ans=0,f=1;
	while('0'>c||c>'9') {if(c=='-') f*=-1;c=getchar();}
	for(;'0'<=c&&c<='9';c=getchar()) ans=(ans<<3)+(ans<<1)+c-'0';
	return ans*f;
}
int main(){
	n=read(),q=read();
	scanf("%s",(s+1));
	for(int i=1;i<=n;i++){
		tmp[i]+=tmp[i-1];
		tmplst[i]+=tmplst[i-1];
		dy[i]+=dy[i-1];
		xy[i]+=xy[i-1];
		lst[i]+=lst[i-1];
	    sum[i]+=sum[i-1];
		if(s[i]=='0') 
		{
			xy[i]++;
		}
		if(s[i]=='1'){
			dy[i]++;
			if(xy[i]){
				sum[i]++;
				xy[i]--;
				continue;
			}
			else if(tmplst[i]){
				tmplst[i]--,tmp[i]++;lst[i]++;//
				continue;
			}
			else {
				tmplst[i]++;
				lst[i]++;
			}
		}
	}
	while(q--){
		int x,k;
		x=read(),k=read();
		if(dy[k]<x){
			puts("-1");
			continue;
		}
		if(lst[k]>x){
			if(tmplst[k]>x){
				printf("%d\n",tmp[k]+sum[k]);
				continue;
			}
			else{
				int miu=x-tmplst[k];
				int add=(miu/2)+(miu&1);
				printf("%d\n",tmp[k]+sum[k]-add);
				continue;
			}
		}
		int minu=x-lst[k];
		printf("%d\n",sum[k]-minu);
	}
}
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