bzoj-2748___音量调节 —— dp+01背包

题目链接:传送门

题目大意:

     n n n个数,起始音量为 b e g i n L e v e l beginLevel beginLevel,最大音量为 m a x l e v e l maxlevel maxlevel,下面 n n n个数 c c c 1 1 1 c c c 2 2 2 . . . . . . ...... ...... c c c n n n,每次可以选择增大 c c c i i i的音量或者减少相应音量,问最后一次后最大音量为多少,若只能小于 0 0 0或者大于 m a x l e v e l maxlevel maxlevel则输出 − 1 -1 1。。。。。

解题思路:

    都说是脑残题,确实是脑残题,用背包暴力一下就行了。每个数遍历一遍背包大小,增加或者减小若在范围内就加到dp里,最后输出最后一个数的最大背包大小即可。

代码思路:

    遍历每个数,顺序判断背包大小加上或者减去音量时的情况。起始 d p [ 0 ] [ s t ] = 1 dp[0][st]=1 dp[0][st]=1

核心:脑残、脑残、脑残,但对于新手来说十个不错的理解题,脑残

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

int n, m, st;
int w[55];
int dp[55][1005];

int main() {
	scanf("%d%d%d", &n, &st, &m);
	for(int i=1; i<=n; i++)
		scanf("%d", &w[i]);
	memset(dp, 0, sizeof(dp));
	dp[0][st]=1;

	for(int i=1; i<=n; i++)
		for(int j=0; j<=m; j++) {	//注意是逆序、逆序、逆序!!
			if(j-w[i]>=0) dp[i][j] = max(dp[i][j], dp[i-1][j-w[i]]);
			if(j+w[i]<=m) dp[i][j] = max(dp[i][j], dp[i-1][j+w[i]]);
		}

	for(int i=m; i>=0; i--)
		if(dp[n][i]) {
			printf("%d\n", i);
			return 0;
		}

	printf("-1\n");
}
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