2018QBXT刷题游记(6)

【2018QBXT刷题游记】

Day1 TEST2
T3 network

在计算机科学中,经常要通过分析变量之间的相关性来简化计算过程。变量
间的相关性可以用有向图 G = ( V , E ) G=( V,E) G=V,E来表示,图中的点表示变量,边表示变量间
的关系。这里 G G G 满足: G G G 中的所有边都从编号小的点指向编号大的点。
从图中选出一个点集 T ⊆ V T⊆V TV,如果 T T T 中的任意两个点之间都有边(方向是编
号小的点指向编号大的点),则称 T T T 为团。特别地,空集也认为是一个团。
如果存在一个点,与 T T T 中的任意一个点之间都有边( 方向是编号小的点指
向编号大的点),那么称 T 为可扩团。
如果一个团 S S S 不是可扩团,那么称它为极大团。
给出 G G G,求 G G G 有多少个不同的极大团。
这里 G G G 满足一个性质:对于 G G G 中任意一个点 i i i, 用 H [ i ] H[i] H[i]表示编号比 i 小的点
中所有与 i 有边相连的点的集合,那么 H [ i ] H[i] H[i]是一个团。

【分析】这题好水啊……orz

根据提供的性质,只需要按照从大到小的顺序判断每一个点i

若与它相连的最大点j的入度比当前点小

那么以j为最大点的团一定是可扩团,i就是可扩点(还可能有更多)

注意重边的判断。

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
char c;int n,m,cnt,ans;int read(){c=getchar();int f=1,s=0;
while(c<'0'||c>'9')if(c=='-')f=-1,c=getchar();
while(c>='0'&&c<='9')s=s*10+c-'0',c=getchar();return f*s;}
struct Edge{
	int a,b;
}E[1000007];
int tot[1000007],last[1000007];bool qwq[1000007];
bool cmp(Edge x,Edge y){
	if(x.a!=y.a)return (x.a<y.a);
	else return (x.b<y.b);
}
int main(){
	freopen("network.in","r",stdin);
	freopen("network.out","w",stdout);
	n=read();m=read();
	for(int i=1;i<=m;i++){
		E[i].a=read();E[i].b=read();
	}cnt=0;
	sort(E+1,E+1+m,cmp);
	for(int i=1;i<=m;i++){
		cnt++;
		E[cnt]=E[i];
		while(i<m && E[i].a==E[i+1].a &&E[i].b==E[i+1].b)i++;
	}m=cnt;
	for(int i=1;i<=m;i++){
		tot[E[i].b]++;
		last[E[i].b]=max(E[i].a,last[E[i].b]);
	}ans=0;
	for(int i=n;i>=1;i--){
		if(last[i] && tot[i]>tot[last[i]])qwq[last[i]]=1;
		if(!qwq[i])ans++;
	}	
	printf("%d\n",ans);
	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