蓝桥:⿊⽩⽆常

⿊⽩⽆常

问题描述
某寝室的同学们在学术完之后准备玩⼀个游戏:
游戏是这样的,每个⼈头上都被贴了⼀张⽩⾊或者⿊ ⾊的纸,现在每个⼈都会说
⼀句话“我看到x张⽩⾊纸条和y张⿊⾊的纸条”,
⼜已知每个头上贴着⽩⾊ 纸的⼈说的是真话、每个头上贴着⿊⾊纸的⼈说的是谎话,
现在要求你判断哪些⼈头上贴着的是⽩⾊ 的纸条,如果⽆解输出“NoSolution.”;
如果有多组解,则把每个答案中贴⽩条的⼈的编号按照⼤⼩排 列后组成⼀个数
(⽐如第⼀个⼈和第三个⼈头上贴着的是⽩纸条,那么这个数就是13
   如果第67、 8个⼈都贴的是⽩纸条,那么这个数就是678
输出最⼩的那个数(如果全部都是⿊纸条也满⾜情况的 话,那么输出0
输⼊格式
第⼀⾏为⼀个整数n,接下来n⾏中的第i⾏有两个整数xy,分别表示第i个⼈说“我看到x张⽩⾊纸条 和y张⿊⾊的纸条”。
输出格式
⼀⾏。如果⽆解输出“NoSolution.”。
否则输出答案中数值(具体⻅问题描述)最⼩的那个,如果全部 都是⿊纸条也满⾜情况的话,那么输出0
样例输⼊
2
1 0
1 0
样例输出
0
样例输⼊
5
3 1
0 4
1 3
4 0
1 3
样例输出
35
数据规模和约定
n<=8
分析:
1.枚举所有⼈的⿊⽩字条情况,判断当前情况是否可能存在,把所有可能情况收集起来输出最 ⼩的
2.注意每⼈看不到⾃⼰头上的字条~~~
 
#include <iostream>
#include <vector>
#include <algorithm>
using namespace std;
vector<int> ansv;
pair<int, int> v[10];
int n, k, cnt, a[10];
void dfs(int num) {
 if ( num == 0) {
      int white = 0, black = 0, ans = 0;
      for ( int i = 1; i <= n; i++) {
            if (a[i] == -1) black++;
            if (a[i] == 1)  white++;
      }
      for (int i = 1; i <= n; i++) {
           if (a[i] == 1 && (v[i].first != white-1 ||v[i].second !=black)) 
		        return;
           if ( a[i] == -1 && (v[i].first == white && v[i].second ==black-1) ) 
				return;
      }  
      for ( int i = 1; i <= n; i++)
          if ( a[i] == 1) 
	         ans = ans * 10 + i;
      ansv.push_back(ans);
 } 
 else {
      a[num] = -1;
      dfs(num - 1);
      a[num] = 1;
      dfs(num - 1);
 }
}
int main() {
 scanf("%d", &n);;
 for ( int i = 1; i <= n; i++)
       scanf("%d%d", &v[i].first, &v[i].second);
 dfs(n);
 sort(ansv.begin(), ansv.end());
 printf("%d\n", ansv[0]);
 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,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