[bzoj 4756][Usaco2017 Jan]Promotion Counting 线段树合并

今天考了雕哥的模拟赛才知道线段树合并这种东西…
从来没打过的我直接学了一发…mmp merge没return一直Re

其实这个东西说起来也不难 大概就是动态开点的线段树 把信息合并起来就差不多了
当然这两棵线段树形态一点要相同 剩下的其实就差不多了
题目链接

#include<bits/stdc++.h>
#define For(i, a, b) for(register int i = a; i <= b; ++ i)

using namespace std;

const int maxn = 1e5 + 10;
int n, num, ans[maxn], root[maxn], tmp[maxn], a[maxn], dep[maxn];
vector<int> son[maxn];

struct Segment_Tree {
#define ls(x) (T[x].ch[0])
#define rs(x) (T[x].ch[1])
#define mid ((l + r) >> 1)
    int cnt;

    struct node {
        int sum, ch[2];
    }T[maxn * 80];

    void pushup(int x) {
        T[x].sum = T[ls(x)].sum + T[rs(x)].sum;
    }

    void update(int &x, int l, int r, int p) {
        if(!x) x = ++ cnt;
        if(l == r) ++ T[x].sum;
        else {
            if(p <= mid) update(ls(x), l, mid, p);
            else update(rs(x), mid + 1, r, p);
            pushup(x);
        }
    }

    int query(int x, int l, int r, int X, int Y) {
        if(!x) return x;
        int res = 0;
        if(X <= l && r <= Y) 
            res += T[x].sum;
        else {
            if(X <= mid) res += query(ls(x), l, mid, X, Y);
            if(Y > mid) res += query(rs(x), mid + 1, r, X, Y);
        }
        return res;
    }

    int merge(int u, int v) {
        if(!u) return v;
        if(!v) return u;
        int t = ++ cnt;
        T[t].sum = T[u].sum + T[v].sum;
        ls(t) = merge(ls(u), ls(v));
        rs(t) = merge(rs(u), rs(v));
        return t;
    }

}T;

void dfs(int x) {
    T.update(root[x], 1, num, a[x]);
    For(i, 0, int(son[x].size()) - 1)
    {
        dfs(son[x][i]);
        root[x] = T.merge(root[x], root[son[x][i]]);
    }
    ans[x] = T.query(root[x], 1, num, a[x] + 1, num);
}

int main() {
#ifndef ONLINE_JUDGE
    freopen("4756.in", "r", stdin);
    freopen("4756.out", "w", stdout);
#endif
    int x; scanf("%d", &n);
    For(i, 1, n) scanf("%d", &a[i]), tmp[i] = a[i];
    sort(tmp + 1, tmp + n + 1);
    num = unique(tmp + 1, tmp + n + 1) - tmp - 1;
    For(i, 1, n) 
        a[i] = lower_bound(tmp + 1, tmp + num + 1, a[i]) - tmp;
    For(i, 2, n) {
        scanf("%d", &x);
        son[x].push_back(i);
    }
    dfs(dep[1] = 1);
    For(i, 1, n) printf("%d\n", ans[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