rev Codeforces Round #392 (Div. 2) 758E - Broken Tree

首先构造一个最小的unbroken树 (构造不出来就-1)然后看能尽可能加回去多少。
减能自下向上保证性质不变 加能自上向下保证性质不变

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
#include<algorithm>
using namespace std;
struct Edge{int from,next,to;long long w,p,delta;}a[1000005];
int n,cnt,h[1000005],fa[1000005],sum[1000005];
void Addedge(int x,int y,long long w,long long p)
{a[++cnt].next=h[x];a[cnt].from=x;a[cnt].to=y;a[cnt].w=w;a[cnt].p=p;h[x]=cnt;}
void Dfs(int x)
{for(int i=h[x];i;i=a[i].next)
 {int y=a[i].to;
  Dfs(y);
  long long temp=min(a[i].p,min(a[i].w-1,a[i].p-sum[y]));//p>=0 w>=1 能承受的值 
  sum[x]+=sum[y];
  if(temp<0){puts("-1");exit(0);}//broken 
  a[i].w-=temp;
  a[i].p-=temp;
  a[i].delta=temp;
  sum[x]+=a[i].w;
 }
}
long long Dfs(int x,long long d)
{long long used=0;//统计已加回去的 
 for(int i=h[x];i;i=a[i].next)
 {int y=a[i].to;
  long long val=min(a[i].delta,d);//最多能加回去多少 
  a[i].w+=val;
  a[i].p+=val;
  d-=val;
  used+=val;
  long long temp=Dfs(y,min(d,a[i].p-sum[y]));
  d-=temp;
  used+=temp;
 }
 return used;
}
int main()
{scanf("%d",&n);
 for(int i=1,x,y;i<n;i++)
 {long long w,p;
  scanf("%d%d%I64d%I64d",&x,&y,&w,&p);
  Addedge(x,y,w,p);
 }
 Dfs(1);//构造最小树 
 Dfs(1,1ll<<60);//加回去 
 printf("%d\n",n);
 for(int i=1;i<n;i++)printf("%d %d %I64d %I64d\n",a[i].from,a[i].to,a[i].w,a[i].p);
 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