B. Restore Modulo

该博客主要讨论了一种序列构造问题,其中目标是找到一个最大的模数m,使得序列可以通过特定规则重新构造出来。文章指出,如果序列递增或递减,则存在无限多个m可以构造原序列,此时m为无穷大。作者提供了C++代码实现,通过检查序列中相邻元素的差值来判断是否满足条件。当无法构造或存在多个不同的差值时,输出-1;否则输出最大的m值。
摘要由CSDN通过智能技术生成

B. Restore Modulo

题目
在这里插入图片描述

题目大意

给你一个序列,问你是否能按照题目所给的构造方法使m最大将序列构造出来,如果m无穷大输出0

思路

当一个序列递增或者递减时,这时肯定存在无穷个m,可以构造出原来的序列,此时m无穷大,一个序列如果前一个数比后一个数大的话,那么它们的差值就是c,如果前一个数比后一个数小的话,那么二者的差值就是m-c,所以你每次只需要询问二者差值是否为这两个数其中之一就可以了,如果不是则输出-1。

#include <bits/stdc++.h>
#pragma GCC optimize("Ofast")
#pragma GCC target("avx,avx2,fma")
#pragma GCC optimization ("unroll-loops")
using namespace std;
#define ll long long
#define sl(n) scanf("%lld",&n)
#define pl(n) printf("%lld",n)
#define sdf(n) scanf("%lf",&n)
#define pdf(n) printf("%.lf",n)
#define pE printf("\n")
#define ull unsigned long long
#define pb push_back
#define pre(n) for(ll i=1;i<=n;i++)
#define rep(n) for(ll i=n;i>=1;i--)
#define pi pair<ll,ll>
#define fi first
#define se second

int main()
{
	ll t,a,b,n;
	sl(t);
	while(t--){
	ll tag=-1,tag1=-1,flag=0;
	sl(n);
	ll a[n+1];
	pre(n)sl(a[i]);
	pre(n-1){
		if((a[i]>=tag1+tag||a[i+1]>=tag+tag1)&&tag!=-1&&tag1!=-1){flag=1;break;}
		if(a[i+1]>=a[i]){
		if(tag==-1)tag=a[i+1]-a[i];
		else if(tag!=a[i+1]-a[i]){flag=1;break;}}
		else {
		if(tag1==-1)tag1=a[i]-a[i+1];
		else if(tag1!=a[i]-a[i+1]){flag=1;break;}}
	}
	if(flag)puts("-1");
	else if(tag==-1||tag1==-1)puts("0");
			else  
			{
			 bool flag=false ;
			pre(n){
				if(tag+tag1<=a[i]){
					flag=true;
					break;
				}
			}
			if(flag)puts("-1");
			else cout<<tag+tag1<<' '<<tag<<endl;}
	}
	
	return 0;
}
`saver.restore` 是 TensorFlow 中用于从保存的模型检查点恢复变量的一种方法。它允许你在训练过程中定期保存模型的状态(即参数权重),以便于在训练中断时恢复进度或在完成训练后重新加载这些状态来部署模型。 ### 示例: 假设你有一个模型 `model` 并已经通过 `saver.save(sess, "path/to/model")` 存储了模型的状态。当你希望从这个检查点恢复模型以继续训练或部署模型时,你可以执行以下操作: ```python # 导入必要的库 import tensorflow as tf # 假设 sess 是当前会话 sess = ... # 创建一个 Saver 对象 saver = tf.train.Saver() # 指定你想恢复的检查点路径 checkpoint_path = "path/to/model" # 使用 saver.restore 函数恢复模型 saver.restore(sess, checkpoint_path) # 现在 sess 可以访问并使用恢复后的模型变量 ``` ### 注意事项: 1. **兼容性**:确保从保存的检查点恢复模型时使用的图结构与原始保存时相同。如果模型架构更改过,恢复可能会失败或导致不一致的结果。 2. **资源管理**:`Saver` 应妥善管理和使用,避免不必要的内存占用。合理地配置 `tf.train.MonitoredSession` 或使用 `with tf.Session()` 来自动管理会话生命周期。 3. **持久化**:在每个训练周期结束后保存模型可以防止意外停止时丢失进展。使用适当的日志记录或监控工具来跟踪训练过程,确保在必要时能够准确恢复。 ---
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