【NOIP校内模拟】塔

1452620-20180927232505249-455699371.png
1452620-20180927232514770-1804267381.png

我们可以这样考虑

X 必定是由若干个立方数拼起来的 因此我们可以逆着求 只需关心每次取哪个立方数即可

设a是最大的 a 使得 a^3 不超过 m

分析样例 我们发现在第一次的时候 就可以取a或者a-1

那第一次取a-2 a-3....行不行呢?

1.用 a,剩下m-a^3
2.用 a-1, X 最大为 a^3-1, m2 = a^3-1-(a-1)^3=a^2-a
3.用 a-2, X 最大为(a-1)^3-1,m2=(a-1)^3-1-(a-2)^3=a^2-3a+6
......
显然 2 一定比 3 优

因此第一次只能取a或者a-1,那后来怎么办呢?

其实后面的每一次都是从a,a-1里选,因为让每一步抉择都最优(X最大),类似于dp思想,总的才会最优

代码不保证正确性,经供参考

#include<bits/stdc++.h>
#define ll long long
using namespace std;
ll m;
pair<ll,ll> ans;
ll pow3(ll x)
{
    return x*x*x;
}
void search(ll m,ll step,ll spend)
{
    if(m==0)
    {
        ans=max(ans,make_pair(step,spend));
        return;
    }
    ll x=1;
    while(pow3(x+1)<=m) x++;
    search(m-pow3(x),step+1,spend+pow3(x));
    search(pow3(x)-1-pow3(x-1),step+1,spend+pow3(x-1));
}
int main()
{
    cin>>m;
    search(m,0,0);
    cout<<ans.first<<'\n'<<ans.second;
    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