BZOJ1176: [Balkan2007]Mokia(BZOJ2683: 简单题)

CDQ分治

BZOJ1176
BZOJ2683

把元素按照 x,y,f x , y , f (横坐标,纵坐标,操作类型)为第一、二、三关键字进行排序,在区间内扫一遍,计算 t t (操作时间)在mid左边的修改操作对 t t mid右边的查询操作的影响。

那个 s s <script id="MathJax-Element-20" type="math/tex">s</script>好像并没有什么用。。。

代码:

#include<cctype>
#include<cstdio>
#include<cstring>
#include<algorithm>
#define N 640005
#define M 2000005
#define K 10005
#define F inline
using namespace std;
struct px{ int x,y,z,t,id,f; }q[N+K],tem[N+K];
int n,s,k,i,m,t[M],ans[K];
F char readc(){
    static char buf[100000],*l=buf,*r=buf;
    if (l==r) r=(l=buf)+fread(buf,1,100000,stdin);
    if (l==r) return EOF; return *l++;
}
F int _read(){
    int x=0,f=1; char ch=readc();
    while (!isdigit(ch)) { if (ch=='-') f=-1; ch=readc(); }
    while (isdigit(ch)) x=(x<<3)+(x<<1)+(ch^48),ch=readc();
    return x*f;
}
F void writec(int x){
    if (x<0) putchar('-'),x=-x;
    if (x>9) writec(x/10); putchar(x%10+48);
}
F void _write(int x){ writec(x),putchar('\n'); }
#define lbt(x) (x&-x)
F void nsrt(int x,int p){ for (;x<=n;x+=lbt(x)) t[x]+=p; }
F int srch(int x){ for (i=0;x;i+=t[x],x-=lbt(x)); return i; }
F void add(int x,int y,int z,int f){ q[++k]=(px){x,y,z,k,m,f}; }
F bool cmp1(px a,px b){
    bool x=a.x==b.x;
    return a.x<b.x||(x&&a.y<b.y)||(x&&a.y==b.y&&a.f<b.f); 
}
F void cdq(int l,int r){
    if (l==r) return; int mid=l+r>>1,l1=l,l2=mid+1;
    for (int i=l;i<=r;i++){
        if (q[i].t<=mid&&!q[i].f) nsrt(q[i].y,q[i].z);
        if (q[i].t>mid&&q[i].f) ans[q[i].id]+=q[i].z*srch(q[i].y);
    }
    for (int i=l;i<=r;i++)
        if (q[i].t<=mid&&!q[i].f) nsrt(q[i].y,-q[i].z);
    for (int i=l;i<=r;i++)
        if (q[i].t<=mid) tem[l1++]=q[i];
        else tem[l2++]=q[i];
    for (int i=l;i<=r;i++) q[i]=tem[i];
    cdq(l,mid),cdq(mid+1,r);
}
int main(){
    s=_read(),n=_read(); int f,x,y,a,b;
    while ((f=_read())!=3){
        x=_read(),y=_read(),a=_read();
        if (f==1) add(x,y,a,0);
        else{
            b=_read(),m++,x--,y--;
            add(x,y,1,1),add(a,b,1,1),add(x,b,-1,1),add(a,y,-1,1);
        }
    }
    sort(q+1,q+k+1,cmp1),cdq(1,k);
    for (int i=1;i<=m;i++) _write(ans[i]);
    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
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