luogu 1903 [国家集训队]数颜色 / 维护队列 带修改莫队

十分玄学的数据结构~

code: 

#include <bits/stdc++.h>
#define N 1000006 
#define setIO(s) freopen(s".in","r",stdin),freopen(s".out","w",stdout)    
using namespace std; 
int n,m,ans,B,cnt,tot,now;                                
int a[N],tim[N],output[N];       
struct query
{
    int l,r,t,id;    
    bool operator<(query b) const 
    {
        return l/B==b.l/B?(r/B==b.r/B?t<b.t:r<b.r):l<b.l;           
    }   
}q[N];  
struct change 
{
    int p,col;                   
}c[N];      
void add(int x) 
{
    if(tim[x]==0) ++ans;    
    ++tim[x];  
}   
void del(int x) 
{
    if(tim[x]==1) --ans; 
    --tim[x];   
}
void work(int x,int d) 
{       
    // 需要进行变动 
    if(c[d].p>=q[x].l&&c[d].p<=q[x].r) del(a[c[d].p]), add(c[d].col);    
    swap(c[d].col, a[c[d].p]);  
}
int main() 
{ 
    // setIO("input");    
    int i,j,l=2,r=1;  
    scanf("%d%d",&n,&m); 
    B=pow(n,0.6666);         
    for(i=1;i<=n;++i) scanf("%d",&a[i]);    
    for(i=1;i<=m;++i) 
    {
        char op[2];  
        scanf("%s",op);  
        if(op[0]=='Q') 
        {     
            ++cnt;          
            scanf("%d%d",&q[cnt].l,&q[cnt].r);    
            q[cnt].id=cnt; 
            q[cnt].t=tot;                 
        } 
        else 
        {   
            ++tot;      
            scanf("%d%d",&c[tot].p,&c[tot].col);    
        }
    }
    sort(q+1,q+1+cnt);    
    for(i=1;i<=cnt;++i) 
    {     
        for(;l>q[i].l;) add(a[--l]);      
        for(;r<q[i].r;) add(a[++r]);   
        for(;l<q[i].l;) del(a[l++]);    
        for(;r>q[i].r;) del(a[r--]);    
        for(;now<q[i].t;) work(i, ++now);      
        for(;now>q[i].t;) work(i, now--);
        output[q[i].id]=ans;   
    }    
    for(i=1;i<=cnt;++i) printf("%d\n",output[i]);    
    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,生成器生成据,判别器评估据的真实性。 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(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。 9. **损失函(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。 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