Newcoder 59 A.假的线段树(水~)

186 篇文章 0 订阅

Description

给你一个长为 n n n的序列 a a a,有 m m m次操作

1. 1. 1.把区间 [ l , r ] [l,r] [l,r]内所有 x x x变成 y y y

2. 2. 2.查询区间 [ l , r ] [l,r] [l,r]内第 k k k小值

Input

第一行两个数 n , m n,m n,m

第二行 n n n个数表示序列 a a a

后面 m m m

1   l   r   x   y : 1\ l\ r\ x\ y : 1 l r x y:把区间 [ l , r ] [l,r] [l,r]中所有 x x x变成 y y y

2   l   r   k : 2\ l\ r\ k : 2 l r k:查询区间 [ l , r ] [l,r] [l,r]中的第 k k k小值

( 1 ≤ n , m , a i ≤ 1 0 3 ) (1\le n,m,a_i\le 10^3) (1n,m,ai103)

Output

对于每个询问,输出一个数表示答案

Sample Input

3 3
2 3 3
2 1 3 1
1 1 3 3 1
2 1 3 2

Sample Output

3 3
2 3 3
2 1 3 1
1 1 3 3 1
2 1 3 2

Solution

暴力,时间复杂度 O ( m n l o g n ) O(mnlogn) O(mnlogn)

Code

#include<cstdio>
#include<iostream>
#include<cstring>
#include<algorithm>
#include<cmath>
#include<vector>
#include<queue>
#include<map>
#include<set>
#include<ctime>
using namespace std;
typedef long long ll;
typedef pair<int,int>P;
const int INF=0x3f3f3f3f,maxn=1005;
int n,m,a[maxn],b[maxn];
int main()
{
	scanf("%d%d",&n,&m);
	for(int i=1;i<=n;i++)scanf("%d",&a[i]);
	while(m--)
	{
		int op,l,r,x,y;
		scanf("%d%d%d%d",&op,&l,&r,&x);
		if(op==1)
		{
			scanf("%d",&y);
			for(int i=l;i<=r;i++)
				if(a[i]==x)a[i]=y;
		}
		else
		{
			for(int i=l;i<=r;i++)b[i-l]=a[i];
			sort(b,b+r-l+1);
			printf("%d\n",b[x-1]);
		}
	}
	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