Wooden Signs uvalive gym 区间dp

7 篇文章 0 订阅

详细题目见:http://7xjob4.com1.z0.glb.clouddn.com/0f10204481da21e62f8c145939e5828e
思路:记dp[i][j]表示第i个木板尾部在j的方案数。那么对于i+1,可以分三种情况讨论,一种是i+1的头部在第i根整段的左边,一种是在右边,还有在中间,中间的有两种情况,其他都只有一种,然后就可以转移了。
转载 http://blog.csdn.net/kirito_acmer/article/details/50189591
关键是只记录尾部就好,因为上一层的尾部情况很多 所以都可以放在第二维里面
然后就是状态转移,就是把上一层尾部的数量,如果更新到,那么判断当前的钉子相对于上一层木板的位置,然后选择对当前木块尾部的位置进行状态转移

#include <bits/stdc++.h>
#define maxn 2050
using namespace std;
typedef long long ll;
ll num[maxn];
ll dp[maxn][maxn];
const int mod = 2147483647;
int main()
{
    int n;
    cin>>n;
    for(int i=0;i<=n;i++) cin>>num[i];
    dp[0][num[0]]=1; //第一个尾部固定的点为1 
                      //然后更新的是dp[1][num[0]]的尾部
    for(int i=1;i<=n;i++)
    {
        for(int j=1;j<=n+1;j++)
        {
            if(dp[i-1][j]) //j是尾部,上一块木头的尾部。
            {
            int l=num[i-1],r=j; //上一块木板的位置
            if(l>r) swap(l,r); 
            if(num[i]<=l) //如果订的地方在上一个木板的左边 那么,只能更新右边
            {
                dp[i][r]=(dp[i][r]+dp[i-1][j])%mod;
            }
            else if(num[i]>=r) //如果钉的地方在上一个木板的右边,那么只能更新左边
            {
                dp[i][l]=(dp[i][l]+dp[i-1][j])%mod;
            }
            else //如果是中间 两边都可以钉
            {
                dp[i][r]=(dp[i][r]+dp[i-1][j])%mod;
                dp[i][l]=(dp[i][l]+dp[i-1][j])%mod;
            }
         }
        }
    }
    ll sum=0;
    for(int j=1;j<=n+1;j++)
    {
        sum=(sum+dp[n][j])%mod;
    }
    printf("%lld\n",sum );
} 
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