8月17日集训

        今天主要看博客的习题,发现树状数组的模板题有几个规律,首先有些树状数组要求按顺序正好一边往数组里加数一边输出就可以了,而如果输入的是二维坐标并按顺序输入的话的话,可以吧二维压缩成一维,树状数组求逆序数的题有时候会出现相同的数,这时候要处理两个数,比如a【i】=a【i-1】,这样就可以了。下午比赛,感觉很爽,首先看的f题,队友看出的题意,题意非常简单,就是求几个数差的绝对值的和,但就怕超时,想了半天推出了公式,首先要把求所有数的和,然后减去这个数a【i】*n,在加上2(a【i】*i-sum【i】),其中sum【i】就是前i项的1和,i从1到n后前两项就约去了就剩下2(a【i】*i-sum【i】)这个了,但wa了好几发,因为用了int类型的数,小了,改成long long后就输出少了两个l,又错了一发,就A了,然后c题看懂了是最短路径,加记忆,WA了好几发,后来发现,循环有地方写错了,无奈。再看b题,二分题,刚开始因为0和25能不能去掉讨论了很久,后来发现是不能的,就过了,a题发现是贪心了,但是题意题理解错了,都怪下面两头牛怎么放都是没有风险的,哭,但贪心没贪错,首先吧所有的体重算出来,然后吧开始放最下面那头牛,放体重+耐久最大的那头牛,然后和减少体重,这样就算出来了,不过,如果还剩下体力,要输出负值,不然会WA。d题是一道单调队列,刚开始和队友各种找规律,找到一个推翻一个,突然,我说,这不是单调队列吗,队友一想也是啊,然后用暴力过了.....e题越看越熟悉,发现是好像是以前做过的题然后各种问队友,队友也忘了,表示很无奈,最后表示背包a不了就放弃了,最后看题解发现原来用dfs,马上就想起来以前的原题了....
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