【ACM省赛】第九届河南省程序设计大赛 B 宣传墙

题目链接:http://nyoj.top/web/contest/problem/cid/13/num/B

题目:

用1*2的地砖,填满4*N的墙,有多少种方案。

题解:

状压dp,枚举每个状态的可能转移状态,再计算。

#include<bits/stdc++.h>
using namespace std;
const int mod=997;
const int maxn=1e6+10;
int a[maxn][16];
int main()
{
	a[1][0]=1;					//转移到第一列的时候,可能的方案为1。因为无法填入,所以只有0这一种状态 
	for(int i=2;i<1e6+5;i++)	//合法状态0 3 6 9 12 15 
	{
		a[i][0]=(a[i-1][0]+a[i-1][3]+a[i-1][9]+a[i-1][12]+a[i-1][15])%mod;
		a[i][3]=(a[i-1][0]+a[i-1][12])%mod;
		a[i][6]=(a[i-1][9])%mod;
		a[i][9]=(a[i-1][0]+a[i-1][6])%mod;
		a[i][12]=(a[i-1][0]+a[i-1][3])%mod;
		a[i][15]=(a[i-1][0])%mod;
	}
	int t;
	cin>>t;
	while(t--)
	{
		int n,m,k;
		cin>>n>>m>>k;
		int l=m-1,r=n-(k+m-1);
		printf("%d %d\n", a[l+1][0], a[r+1][0]); //输出下一列没溢出来的状态
	} 
	return 0;
} 

 

#include<bits/stdc++.h>
using namespace std;
long long dp[2][20];
const int mod=997;
int n=1000000,m=4;
int a[1000005];
void f()
{
	int total=1<<m,pre=0,now=1;
	memset(dp[now],0,sizeof(dp[now]));
	dp[now][0]=1;
	for(int i=0;i<n;i++)		//列 
	{
		for(int j=0;j<m;j++)	//行 
		{
			swap(now,pre);
			memset(dp[now],0,sizeof(dp[now]));
			for(int S=0;S<total;S++) 	//枚举状态
			{
				if( dp[pre][S] )
				{
					dp[now][S^(1<<j)]=(dp[now][S^(1<<j)]+dp[pre][S])%mod;
					if( j && S&(1<<(j-1)) && !(S&(1<<j)))
						dp[now][S^(1<<(j-1))]=(dp[now][S^(1<<(j-1))]+dp[pre][S])%mod;
				}
			}
		}
		a[i]=dp[now][0];
	}
}
int main()
{
	int t;
	cin>>t;
	f();
	while(t--)
	{
		int d,b,c;
        cin>>d>>b>>c;
        int x1=b-1;
        int x2=d-(b+c-1);
        
        cout<<a[x1-1]<<' ';
        cout<<a[x2-1]<<endl;
	}
}

 

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