2018暑假绍兴集训小记(7.12~7.21)

前言

本次暑假的7.12~7.21,我们的信息团队到绍兴一中进行集训。这一次集训,让我感受到了绍一的强大(一道他们口中的EASY题却可以让我们想上一个甚至两三个小时)。不过,我也在这次集训中收获了许多。

 

Day1 7.12

今天主要是在学习图论。图论包含割边割点强连通分量等各种玄学的内容。

图论与DP之间有着很大的联系,成环DP就是其中很难的一种。例如【POJ3028】Shoot-out就是一道典型的成环DP。解决这类问题,我们首先需要求出每个状态转移到自己的贡献,并要在去掉这部分贡献之后再进行转移。

这一天最大的收获就是学会了用Tarjan来把强连通分量缩点,Tarjan这个算法我早就听说过,只是一直没去学,但是由于今天的作业题中需要用到Tarjan,我也只好现学了。

作业题:

【51nod1815】调查任务

【51nod1443】路径和树

【BZOJ1064】[NOI2008] 假面舞会

【51nod1705】七星剑

【洛谷1983】车站分级

 

Day2 7.13

今天学习的是树上问题。

我个人认为,树上问题中比较重要的几个内容当属LCA树形DP。(当然,树链剖分也是非常重要滴)

我原本只会暴力求解LCA,现在我学会了使用树上倍增来求解LCA,算法复杂度大大降低了。

作业题:

【51nod1299】监狱逃离

【51nod1677】treecnt

【BZOJ1036】[ZJOI2008] 树的统计Count

【BZOJ4033】[HAOI2015] 树上染色

 

Day3 7.14

今天是模拟赛。我的得分情况是:60+60+30=150,而黄学长口中的基准分则是210(100+60+50)。。。

考试结束之后,题解一发出来,我就开始订正题目,最后终于将前两题改A了,最后一题依然一知半解,只能在接下来这段时间里抽空去订正了。

 

Day4 7.15

今天休息一天。

虽说是休息,但我们团队依然整天待在机房里刷题。趁此机会,我把前几天没打完的几道作业题全都补完了(哈哈)。

补完作业,我又到loj上刷了几道数列分块入门题,分块据说是一个很有用的优化暴力的算法,既然这样,我更要好好学了。

今天还是挺充实的,虽然没上课,但是我把前几天学过的内容都加以巩固了,还学会了平衡树中的替罪羊树,感觉挺有收获的,没有白白浪费这一天的时间。

 

Day5 7.16

今天学习的内容是简单数据结构,这应该是这几天中最简单的内容吧!

这个部分介绍的内容主要有单调栈和单调队列、并查集、堆等等,我个人认为还是比较simple的。

作业题:

【BZOJ1057】[ZJOI2007] 棋盘制作

【洛谷2827】蚯蚓

【BZOJ1029】[JSOI2007] 建筑抢修

【CF799B】T-shirt buying

 

Day6 7.17

今天又是一次模拟赛。相比7.14的那次,这次真是水多了(有许多大佬AK了,甚至有个大佬说这套题目全是一眼题),我这次的分数是250(100+100+50),最后一题暴力骗了50分(虽说黄学长说暴力可以满,但是他那种大神级别的暴力肯定不同于我这种垃圾暴力),排名也有了进步,这都是这几天努力的结果(当然,也得益于这次题目真心简单)。

 

Day7 7.18

今天是NOI复赛的Day1,而我竟有幸参加了在线的同步考试。

本次NOI题目对于我来说还是非常难的,5个小时下来,我几乎没什么进展。第一题本来可以拿50分暴力分,可我却不知道为什么写炸了,第二题的暴力只得了8分,最后一题甚至一分都没拿到,总共只得了13分(加上免费赠送的笔试50分,也才63分)。。。唉,说多了都是泪啊!

而据网上一些大佬说,这次的题目还是很水的。。。

下午,黄学长对前几天作业中一些难度较高的Hard题做了讲评,还挺有收获的。

 

Day8 7.19

今天学习的内容是复杂DP。

我们主要学习了状压DP数位DP,这两个DP写起来都比较麻烦,不过我个人还是认为状压DP比数位DP要简单得多。今天作业题后两题的数位DP(一道二进制,一道十进制)还是挺难写的,真的是写了很久才A掉。

作业题:

【BZOJ1076】[SCOI2008] 奖励关

【BZOJ1087】[SCOI2005] 互不侵犯King

【BZOJ3029】花神的数论题

【BZOJ1833】[ZJOI2010] count 数字计数

 

Day9 7.20

今天是NOI复赛Day2。

在这一次的在线同步考试中,我时间分配不够合理,为了第一题的70分足足打了3个小时!后来,为了第二题的15分的一种情况,又打了一个多小时,结果还是一直WA。最后半个多小时,我拼命打第二题的15分暴力,打到比赛结束前最后一分钟才打完,结果最后一分钟提交的人太多了,网站卡得根本进不去,结果第二、第三题都没提交。惨啊~~~

下午黄学长对昨天的作业题进行了讲评,还选了往年的一些NOIP提高组的题目进行讲解。

明天就要回衢州了,这是在绍兴的最后一个晚上了。

 

Day10 7.21

今天是我们在绍一的最后一天,早上我们进行了最后一次在绍兴一中的模拟赛。这次模拟赛考得好不错,210分,应该刚好达到基础分吧!

中午吃完饭,大概12:15,我们就出发返回衢州了,大概下午4点多就抵达了二中。

而我们的绍兴一中的10天集训,也就到此结束了,我还是有点恋恋不舍的。

 

后记

本次集训已经告一段落了,我在这次集训中收获了许多,学习了许多知识,还掌握了一些新的算法与数据结构,并把以前一些旧知识又巩固了一遍。

这真的是一次有价值的集训!

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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 2
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