BZOJ 3343: 教主的魔法

5 篇文章 0 订阅

发现自己真的是越来越智商捉急。。
分块大法好。。
弱智的我居然还WA了几次。。
但愿没人吐槽我的代码打的丑 我尽量打的优美了

#include<bits/stdc++.h>
using namespace std;
const int N=1000005;
inline int read()
{
    char ch=getchar(); int x=0,f=1;
    while(ch<'0'||ch>'9'){if(ch=='-')f=-1; ch=getchar();}
    while(ch>='0'&&ch<='9'){x=(x<<3)+(x<<1)+ch-'0'; ch=getchar();}
    return x*f;
}
int bl[N];
struct node{
    int s[1005],tag,l;
    node(){tag=0;}
    void bulid(){
        sort(s+1,s+1+l);
    }
    int query(int u){
        return l-(lower_bound(s+1,s+1+l,u-tag)-s)+1;
    }
}a[1005];
int main()
{
    int n=read(),m=read(),k=sqrt(n),i,j,x,y,z;
    for(i=1;i<=n;i++)bl[i]=(i-1)/k+1;
    for(i=x=y=1;i<=n;i++)
    {
        a[x].s[y++]=read();
        if(y>k)a[x].l=y-1,a[x].bulid(),x++,y=1;
    }
    if(y>1)sort(a[x].s+1,a[x].s+y),a[x].l=y-1;  else x--;
    char c;
    while(m--)
    {
        scanf("\n%c",&c); x=read(),y=read(),z=read();
        j=(x-1)%k+1;
        if(c=='A')
        {
            int s=0;
            for(i=x;i<=y && bl[i]==bl[x];i++,j++)
                if(a[bl[x]].s[j]+a[bl[x]].tag>=z)s++;
            for(i=bl[x]+1;i<bl[y];i++)s+=a[i].query(z);
            if(bl[x]!=bl[y])
            {
                j=(y-1)%k+1;
                for(i=y;i>=x && bl[i]==bl[y];i--,j--)
                  if(a[bl[y]].s[j]+a[bl[y]].tag>=z)s++;
            }
            printf("%d\n",s);
        }
        else
        {
            for(i=x;i<=y && bl[i]==bl[x];i++,j++)
                a[bl[x]].s[j]+=z;
            a[bl[x]].bulid();
            for(i=bl[x]+1;i<bl[y];i++)a[i].tag+=z;
            if(bl[x]!=bl[y])
            {
                j=(y-1)%k+1;
                for(i=y;i>=x && bl[i]==bl[y];i--,j--)
                  a[bl[y]].s[j]+=z;
                a[bl[y]].bulid();
            }
        }
    }
    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