cogs577 蝗灾

题意:W*W(W <= 500000)的矩阵,初始全是0,N(N <= 200000)个询问,单点加一个值,区间查询和。

分析:

一看这题,woc这不是二维线段树吗,然而线段树是O(W^2)的空间复杂度,开不下,怎么办呢?

于是一个叫陈丹琦的人发明了一种做法,叫cdq分治。

这个分治大概可以解决一类带修改的查询问题,是一种离线分治做法。

定义solve(l, r):对于所有k∈(l, r),若第k个操作是查询,则计算编号为l~k-1的修改操作对k的影响。

然后分治就行了。

计算过程大概就是按x排个序,然后每一列作为一个元素,按x方向建一个一维树状数组,乱搞就行。

第一道cdq分治...

#include <cstdio>
#include <algorithm>
using namespace std;
 
const int N = 200005;
int w,q,c[500005];
struct nd {int op,x1,y1,x2,y2,z,id,ans;}a[N],b[N];
bool cmp(const nd &a, const nd &b) {return a.x1<b.x1 || (a.x1==b.x1&&a.op<b.op);}
 
int lw(int x) {return x & -x;}
void add(int x, int y) {while(x <= w) c[x] += y, x += lw(x);}
int qry(int x) {
	int r = 0;
	while(x) r += c[x], x -= lw(x);
	return r;
}
 
void gzz(int l, int r) {
	if(l == r) return;
	int m = (l+r) >> 1, cnt = 0;
	gzz(l,m),gzz(m+1,r);
	for(int i = l; i <= m; i++) if(a[i].op == 1) b[cnt++] = a[i];
	for(int i = m+1; i <= r; i++) if(a[i].op == 2) {
		b[cnt++] = a[i];
		b[cnt++] = a[i];
		b[cnt-2].x1--, b[cnt-1].x1=a[i].x2,
		b[cnt-1].op = 3;
	}
	sort(b, b+cnt, cmp);
	for(int i = 0; i < cnt; i++)
	if(b[i].op == 1) add(b[i].y1, b[i].z);
	else if(b[i].op == 2) a[b[i].id].ans -= qry(b[i].y2)-qry(b[i].y1-1);
	else a[b[i].id].ans += qry(b[i].y2)-qry(b[i].y1-1);
	for(int i = 0; i < cnt; i++)
	if(b[i].op == 1) add(b[i].y1, -b[i].z);
}
 
int main() {
	freopen("locust.in","r",stdin);
	freopen("locust.out","w",stdout);
	scanf("%d%d",&w,&q);
	for(int i = 1; i <= q; i++) {
		scanf("%d%d%d",&a[i].op,&a[i].x1,&a[i].y1);
		if(a[i].op == 1) scanf("%d",&a[i].z); else scanf("%d%d",&a[i].x2,&a[i].y2);
		a[i].id = i;
	}
	gzz(1, q);
	for(int i = 1; i <= q; i++) if(a[i].op == 2) printf("%d\n", a[i].ans);
	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 2
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