2020.11.28【NOIP提高B组】模拟 总结

2020.11.28【NOIP提高B组】模拟 总结

T1【2020.11.28提高组模拟】树(tree)

不会做。

竟然考构造题,一看就是结论。

然而不知道subtask这么多有啥用,暴力都不会打。

Update after contest

linli来讲的题,奆啊。

k k k可以被表示为
∏ i = 1 n a i ! \prod_{i=1}^{n}{a_i!} i=1nai!
然后就构造了。

T2【2020.11.28提高组模拟】签到题(signin)

暴力。

正解是啥?

推了一波公式,发现越推越乱,呵呵呵。

Update after contest

然而读题错误了,0分。

这是可以互换子树顺序的。

考虑有根。

然后就推一波公式。

如果 a , b a,b a,b是同一层的,则当( s i z e size size表示子树大小, v a l val val表示子树权值之和)
s i z e a v a l a < s i z e b v a l b \frac{size_a}{val_a}<\frac{size_b}{val_b} valasizea<valbsizeb
时, a a a b b b d f s dfs dfs到。

就升序排序一波。

然后暴力求一下就30分了,常数得优化,我被卡25和20了。

正解是换根dp。

T3【2020.11.28提高组模拟】简单题(easy)

不会。

一眼看,发现
n ≤ 1 0 8 n\leq10^8 n108
什么??是打错了吗??

然而暴力也没打。

感觉是结论题。

Update after contest

其实
n ≤ 1 0 6 n\leq10^6 n106
然后就一个最小生成树加树链剖分加吉司机线段树就行了,然后我什么都不会。

T4【2020.11.28提高组模拟】宏律(redgreen)

一眼看,并查集。

二眼看,发现就是C组考过的那道(关押罪犯)。

建2个并查集。暴力算50分??

正解插入最大数直接用堆??不想打。。。

估计80分。要挂了。

Update after contest

比赛时20,原因:D操作挂了,不知为什么,改成 s o r t sort sort过了50。

qbf奆佬用了优化,比较玄学。

题解是线段树合并,感觉好理解。

总结

才20分,下次得注意看题。

最好对拍多一点。

闲话

C组,一眼过去。

第一题:水。

第二题:水。

第三题:除草原题,直接 d p dp dp,水。

第四题:不难。

第五题:不难,数学。

A组一眼望。

第一题:构造题又来。

第二题:又是推公式or结论题。

第三题:感觉是树上一些操作。

第四题:网络流?????

然而我都不会做。。。

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