Re的故事之抢糖

Re的故事之抢糖

Time Limit: 1000ms   Memory limit: 65536K  有疑问?点这里^_^

题目描述

那是去年的平安夜,我们伟大的教练刘晓红教授,给我们一批的队员们买了两盒糖,让我们分;Re大神和Soaring力挫群雄,把所有的糖都给抢了过来,接下来是内部分糖时间了,可是,邪恶的Soaring怎么会和纯真的Re大神来公平的呢;于是Soaring定下了如下的规矩,两人轮流从糖果堆中拿1~m块糖;我们的Re大神那是很喜欢吃糖的,要是最后抓不到糖的话是会哭的%>_<%;那么机制的你就该帮Re大神算算,他到底能不能拿到最后一把糖;已知Soaring非常想看Re哭,而且ReSoaring都是人精都会采取最优策略;当然,因为飞神过于邪恶,每次抢糖都是他先手;

 

输入

  多组输入,每组输入两个整数 n(0表示糖果总数,m(0表示每次最多拿m块糖;

输出

  如果 Re 抢到了最后一把糖输出 “>^_^< ;如果 Re 没有抢到最后一把糖输出“ %>_<%” ;(不包括引号);

示例输入

14 2
12 2

示例输出

%>_<%
>^_^<

提示

 

来源

 flyfire

示例程序

#include <iostream>
#include<cstring>
#include<cstdio>
#include<algorithm>
using namespace std;
bool flag[100010];
int main()
{
   int m,n,j,i,sum,u;
   while(cin>>n>>m)
   {
       memset(flag,0,sizeof(flag));
        for(i=1;i<=m;i++)
       {
           flag[i]=true;
       }
       if(m>=n)
       {
           cout<<"%%>_<%%\n";
           continue;
           }
       for(i=m+1;i<=n;i++)
       {
           j=i;u=j-m;sum=0;
           j--;
           while(j>=u)
           {
               sum+=flag[j];
               j--;
           }
           if(sum<m)
           flag[i]=true;
       }
      if(!flag[n])
      cout<<">^_^<\n";
      else
      cout<<"%>_<%\n";
   }
    return 0;  
}

例二:
#include <iostream>
#include<cstring>
#include<cstdio>
#include<algorithm>
using namespace std;
void solve()
{
     int m,n;
   while(cin>>n>>m)
   {
       if(n%(m+1)==0)
      cout<<">^_^<\n";
      else
      cout<<"%>_<%\n";
   }
}
int main()
{
    solve();
    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