数位DP

数位DP

知识要点

一般都比较有套路,主要是要考虑仔细,并且要和其他知识点结合

常用方法

就拿一道经典例题来说吧。

例:求区间[A,B]间恰有K个8的数的个数

cnt[L][K]表示长度为L且恰含K个8的数的个数 (包含前导0)

cnt[1][1]=1,cnt[1][0]=9;

如何计算[1-3981],K=1?

首位为1,2的数2*cnt[3][1]

前两位为30-38的数8*cnt[2][1]+1*cnt[2][0];

前三位为390-397的数8*cnt[1][1]

前四位为3981的数cnt[0][0];

首位为0的四位数cnt[3][1]

如何求cnt[L][K]?

cnt[0][0]=1;cnt[0][i]=0(i>0)

cnt[L][K]=cnt[L-1][K]*9+cnt[L-1][K-1];

例题

1. Poj3252

dp[     l     ][      one      ][    zero    ][     flag     ]

长度还剩l个   前面有one个1    zero个0     是否开始计数。

转移:直接枚举当前位取0还是1

2. Hdu  4734

dp[x][y]表示有x为,还剩下y的f值供选择,转移时枚举下一位即可

3. Codeforces 55D

dfs(len, num, lcm, flag) 
len
表示迭代的长度, 
num
为截止当前位的数对2520取余后的值。 
lcm为截止当前位的所有数的最小公倍数。 
flag表示当前数是否可以任意取值(对取值上限进行判断)

需要注意的是lcm按2520取值根本开不下,所以对lcm进行离散化,因为lcm一定可以整除2520,所以将1~2520可以整除2520的数进行标记即可,测试后发现只有48个满足。

4. 计蒜之道2017复赛

口胡题。。。莫比乌斯反演加按位统计

来自flx的正(口)解(胡)

假设在上一位,每个 j ( j [ 1, p 1]) 有一个方案数 f 0[ j ]

那么这一次更新的时候相当于对于 i 要求一个新的方案

f1[i]=j=1p1[gcd(i,j)==1]×f0[j]

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 1
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