Codeforces Round #528 (Div. 2, based on Technocup 2019 Elimination Round 4)

cf 1087A
水题

#include <bits/stdc++.h>
#define cl(a) memset(a,0,sizeof(a))
#define sc(x) scanf("%lld",&x)
#define pt(x) printf("%lld\n",x)
using namespace std;
const int maxn=5e5+50;
typedef long long ll;
const int mod=1e9+7;
const ll inf=1e18;
int main()
{
    string s,ans;
    cin>>s;
    if(s.size()%2)
    {
        int i=s.size()-1;
        int j=0;
        while(i>j)
        {
            ans+=s[j];
            ans+=s[i];
            i--;
            j++;
        }
        if(i==j) ans+=s[i];
    }
    else
    {
        int i=s.size()-1;
        int j=0;
        while(i>j)
        {
            ans+=s[i];
            ans+=s[j];
            i--;
            j++;
        }
    }
    for(int i=ans.size()-1;i>=0;i--)
    {
        cout<<ans[i];
    }

    return 0;
}

codeforces 1087B
水题

#include <bits/stdc++.h>
#define cl(a) memset(a,0,sizeof(a))
#define sc(x) scanf("%lld",&x)
#define pt(x) printf("%lld\n",x)
using namespace std;
const int maxn=5e5+50;
typedef long long ll;
const int mod=1e9+7;
const ll inf=1e18;
int main()
{
    int n,k;
    cin>>n>>k;
    int ans=0x3f3f3f3f;
    for(int i=1;i<k;i++)
    {
        if(n%i==0)
        {
           // cout<<n<<" "<<i<<endl;
            int t= n/i;
            int x = k*t+i;
            ans = min(ans,x);
            //cout<<t<< " "<<x<<endl;
        }
    }
    cout<<ans<<endl;
    return 0;
}

codeforces 1087C
这个题卡了一会儿,原因是忽略他在格子中的条件,单纯想如何通过求路径,计算重复的情况了
事实上,如果在格子中,那么走的方案基本上就是走一个折角。
那么我们只要按照X排序,从a->b 先横着走,再竖着走 从b->c 先竖着走,再横着走,那么就可去掉重复的那些点了;

#include <bits/stdc++.h>
using namespace std;
struct node
{
    int x,y;
};
node a[4];
bool cmp(node a,node b)
{
    if(a.x==b.x)return a.y<b.y;
    return a.x<b.x;

}
vector<node>v;
int vis[1005][1005];
void getpath(node a,node b)
{
    for(int i=a.x; i<=b.x; i++)
    {
        node t;
        t.x=i;
        t.y=a.y;
        if(!vis[t.x][t.y])
            v.push_back(t);
        vis[t.x][t.y]=1;
    }
    if(a.y>=b.y)
    {
        for(int i=a.y; i>=b.y; i--)
        {
            node t;
            t.x=b.x;
            t.y=i;
            if(!vis[t.x][t.y])
                v.push_back(t);
            vis[t.x][t.y]=1;
        }
    }
    else
    {
        for(int i=a.y; i<=b.y; i++)
        {
            node t;
            t.x=b.x;
            t.y=i;
            if(!vis[t.x][t.y])
                v.push_back(t);
            vis[t.x][t.y]=1;
        }
    }
}

void getpath2(node a,node b)
{
    if(a.y>=b.y)
    {
        for(int i=a.y; i>=b.y; i--)
        {
            node t;
            t.x=a.x;
            t.y=i;
            if(!vis[t.x][t.y])
                v.push_back(t);
            vis[t.x][t.y]=1;
        }
    }
    else
    {
        for(int i=a.y; i<=b.y; i++)
        {
            node t;
            t.x=a.x;
            t.y=i;
            if(!vis[t.x][t.y])
                v.push_back(t);
            vis[t.x][t.y]=1;
        }
    }
     for(int i=a.x; i<=b.x; i++)
    {
        node t;
        t.x=i;
        t.y=b.y;
        if(!vis[t.x][t.y])
            v.push_back(t);
        vis[t.x][t.y]=1;
    }
}


int main()
{
    for(int i=1; i<=3; i++)
    {
        cin>>a[i].x>>a[i].y;
    }
    sort(a+1,a+4,cmp);
    getpath(a[1],a[2]);
    getpath2(a[2],a[3]);
    cout<<v.size()<<endl;
    for(int i=0; i<v.size(); i++)
    {
        cout<<v[i].x<<" "<<v[i].y<<endl;
    }
    return 0;
}

codeforces 1087D
要求最小的直径。如果在中间赋予权值,那么任意一条路径都会增加这个权值,那么这个权值与加在叶子节点上的效果是一样的,所以我们只要让所有的叶子结点平分总的权值即可。。

#include <bits/stdc++.h>
using namespace std;
typedef long long ll;
ll n,s;
const int maxn=1e6+60;
int in[maxn];

int main()
{
    scanf("%lld%lld",&n,&s);
    int k =0;
    for(int i=1;i<n;i++)
    {
        int u,v;
        scanf("%d%d",&u,&v);
        in[u]++;
        in[v]++;
    }
    for(int i=1;i<=n;i++)
    {
        if(in[i]==1) k++;
    }
    double ans = s*1.0/k *2.0;
    printf("%.6f\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