PAT乙级 1055. 集体照 (25)

//PAT-1-1057
//思路:按要求一行一行地排就行了,可以自己多写几种情况,检验下标的正确性
#include <iostream>
#include <algorithm>
#include <string>
#include <math.h>
#include <sstream>
#include <vector>
using namespace std;
typedef struct{
    string name;
    int height;
}info;
int comp(info a,info b){
    if (a.height!=b.height) {
        return a.height>b.height;
    }
    return a.name<b.name;
}
int main(){
    
    int n,k;
    cin>>n>>k;
    vector<info> s;
    for (int i=0; i<n; i++) {
        info temp;
        cin>>temp.name>>temp.height;
        s.push_back(temp);
    }
    sort(s.begin(), s.end(), comp);
    int per=n/k;
    //cout<<per<<endl;
    int first=per;
    if (per*k<n) {
        first++;
    }
    int count=0;
    for (int i=0; i<n;count++ ) {
        if (i==0) {
            
            if (first%2==1) {
                for (int j=0; j<first/2; j++) {
                    
                    cout<<s[2*(per/2-j)-1].name<<" ";
                }
                if (first>1) {
                    cout<<s[0].name<<" ";
                }
                else cout<<s[0].name;
                for (int j=0; j<first/2; j++) {
                   if(j!=first/2-1) cout<<s[2*(j+1)].name<<" ";
                    else cout<<s[2*(j+1)].name;
                }
            }else{
                for (int j=0; j<first/2; j++) {
                    cout<<s[2*(first/2-j)-1].name<<" ";
                }
                for (int j=0; j<first/2; j++) {
                    if (j!=first/2-1) {
                        cout<<s[2*(j)].name<<" ";
                    }
                    else cout<<s[2*(j)].name;
                }
            }
            i+=first;
            cout<<endl;
        }else{
            if (per%2==1) {
                for (int j=0; j<per/2; j++) {
//                    cout<<count<<endl;
                    cout<<s[2*(per/2-j)-1+first+(count-1)*per].name<<" ";
                }
                if (per>1) {
                    cout<<s[first+(count-1)*per].name<<" ";
                }else cout<<s[first+(count-1)*per].name;
                
                for (int j=0; j<per/2; j++) {
                    if(j!=per/2-1) cout<<s[2*(j+1)+first+(count-1)*per].name<<" ";
                    else cout<<s[2*(j+1)+first+(count-1)*per].name;
                }
            }else{
                for (int j=0; j<per/2; j++) {
                    cout<<s[2*(per/2-j)-1+first+(count-1)*per].name<<" ";
                }
                for (int j=0; j<per/2; j++) {
                    if(j!=per/2-1) cout<<s[2*(j)+first+(count-1)*per].name<<" ";
                    else cout<<s[2*(j)+first+(count-1)*per].name;
                }
            }
            i+=per;
            cout<<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。
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