BZOJ 1051 Tarjan

        这道题明显是一个图论,告诉了你受欢迎的关系是具有传递性的就意味着可以用图来存。先将问题简单化,如果这种关系是一棵树,那么答案一定是树根。当然如果是森林,答案就是所有的树根。那么我们如何将图转换成树呢?用Tarjan缩点即可。用Tarjan缩点后答案即为所有连通块中入度为0的连通块的个数。

#include<cstdio>
#include<cstring>
#include<algorithm>
#include<stack>
using namespace std;
#define maxn 50005
int pre[maxn],last[maxn],other[maxn],l;
int dfn[maxn],low[maxn],dfs_clock,scc_cnt,scc[maxn];
int n,m,in0[maxn],out0[maxn],siz[maxn],ans;
stack<int> s;
 
void connect(int x,int y)
{
    l++;
    pre[l]=last[x];
    last[x]=l;
    other[l]=y; 
}
 
void dfs(int u)
{
    dfn[u]=low[u]=++dfs_clock;
    s.push(u);
    for (int p=last[u];p;p=pre[p]) 
    {
        int v=other[p];
        if (!dfn[v])
        {
            dfs(v);
            low[u]=min(low[u],low[v]);
        }
        else if (!scc[v]) low[u]=min(low[u],dfn[v]);
    }
    if (dfn[u]==low[u]) 
    {
        scc_cnt++;
        while (1)
        {
            int x=s.top();s.pop();
            scc[x]=scc_cnt;
            siz[scc_cnt]++;
            if (x==u) break;
        }
    }
}
 
int main()
{
    scanf("%d%d",&n,&m);
    for (int i=1;i<=m;i++) 
    {
        int a,b;
        scanf("%d%d",&a,&b);
        connect(a,b);   
    }
    for (int i=1;i<=n;i++) 
        if (!dfn[i]) dfs(i);
    for (int u=1;u<=n;u++) 
        for (int p=last[u];p;p=pre[p]) 
        {
            int v=other[p]; 
            if (scc[u]!=scc[v]) out0[scc[u]]=in0[scc[v]]=1;
        }
    for (int i=1;i<=scc_cnt;i++) 
        if (out0[i]==0) ans+=siz[i];
    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