XDOJ 1307 汪聚聚的小目标(week1-XDUACM)

问题 M: 汪聚聚的小目标

时间限制: 1 Sec   内存限制: 128 MB
提交: 154   解决: 64
[ 提交][ 状态][ 讨论版]

题目描述

优秀的wang9898最近又定了个小目标,成为世界首富。被齐齐批评好高骛远,先赚到m元再说吧。wang9898很不服气,他想向齐齐证明自己的能力
已知总共n天,第i天wang9898工作能收益ai元,他打算在这n天里选择一段连续的时间工作,总共赚超过m元,为了显现出自己赚钱能力高超,wang9898想在最短的时间里完成齐齐给的目标,请你帮助wang9898计算一下,他最少需要花多少天能达成目标(或者根本不可能)

输入

第一行一个整数T,表示有T组数据
对于每组数据
第一行 两个整数n,m(1≤n≤1e5)
第二行 n个整数 第i个数字表示ai

输出

对于每组数据,输出最小天数,如果无解则输出0

样例输入

3
10 15
5 1 3 5 10 7 4 9 2 8
5 11
1 2 3 4 5
5 8
1 1 1 1 1

样例输出

2
3

大概思路:找最小天数可以的金额总和可以大于等于m即可,这里的m的数据范围未给定,我们可以默认为int

如何求最小天数的金额总和大于等于m呢,我们可以利用尺取法

参考博客:https://blog.csdn.net/consciousman/article/details/52348439

贴下AC代码:

#include <iostream>
#include <algorithm>
#include <cstdio>
#define INF 0x3f3f3f3f
using namespace std;
int a[100001];
int main(){
    int T,n,m;
//    freopen("in.in","r",stdin);
    cin>>T;
    while(T--){
        cin>>n>>m;
        for(int i=0;i<n;i++)
            cin>>a[i];
        int r=0,l=0,sum=0,ans=INF;
        while(l<=n){
            while(r<n&&sum<m) sum+=a[r++];
            if(sum<m) break;
            ans=min(ans,r-l);
            sum-=a[l++];
        }
        if(ans==INF) ans=0;
        cout<<ans<<endl;
    }
    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