Switch

题引

小明是一个switch商家,他最近到了一个新的城市打算大赚一笔,现在他知道这个城市有n个小镇,m条道路,在这n个小镇中有k个小镇有仓库,现在他想在一个没有仓库的小镇中开一家实体店,使得该实体店能够到达至少一个仓库,现在让你求出到达仓库的最小距离并输出距离,如果没有小镇适合开设实体店则输出-1。

输入

第一行输入一个T(1≤T≤100)表示接下来有T组数据
接下来三个整数n,m,k,1 ≤ n, m ≤ 105, 0 ≤ k ≤ n分别代表为有n个小镇,m条道路和k个小镇中有仓库。
接下来m行,每行三个整数u,v,w, (1 ≤ u, v ≤ n, 1 ≤ w ≤ 109, u ≠ v) 表示小镇u到小镇v有一条道路长度为w。两个城市间可以有多条道路。
接下来一行中有k个整数,表示有仓库的小镇编号,小镇编号从1开始。

输出

每次输出占一行,样式为Case #i: ans,表示第i组测试数据答案为ans,表示到达仓库的最小距离,如果没有小镇适合则输出-1;

input

2
5 4 2
1 2 5
1 2 3
2 3 4
1 4 10
1 5
3 1 1
1 2 3
3

printf

Case #1: 3
Case #2: -1

*******************************************************************************************************************************

#include<bits/stdc++.h>
using namespace std;
struct x {
	int u;
	int v;
	int w;
};
int binary_search_1(int a[], int n, int key) {
	int m, l = 0;
	int r = n - 1;
	while(l < r) {
		m = l + ((r - l) >> 1);
		if(a[m] < key) 
			l = m + 1;
		else 
			r = m;
	}
	if(a[r] == key) 
		return 1;
	return -1;
}
int main() {
	int T, n, m, k;
	struct x stm[100000];
	int b[100000];
	int min[100000];
	scanf("%d", &T);
	int u = 1;
	for(int i = 1; i <= T; i++) {
		int s = 0 ;
		memset(b, 0, sizeof(b));
		scanf("%d %d %d", &n, &m, &k);
		for(int i = 0; i < m; i++) {
			scanf("%d %d %d", &stm[i].u, &stm[i].v, &stm[i].w);
		}
		for(int i = 0; i < k; i++) {
			scanf("%d", &b[i]);
		}
		sort(b, b + k);
		for(int i = 0; i < m; i++) {
			if(binary_search_1(b, k, stm[i].u) == 1) {
				if(binary_search_1(b, k, stm[i].v) == -1) {
					min[s] = stm[i].w;
					s++;
				}
			}
			if(binary_search_1(b, k, stm[i].v) == 1) {
				if(binary_search_1(b, k, stm[i].u) == -1) {
					min[s] = stm[i].w;
					s++;
				}
			}
		}
		if(s != 0) {
			sort(min, min + s - 1);
			printf("Case #%d: %d\n", u, min[0]);
		} else {
			printf("Case #%d: -1\n", u);
		}
		u++;
	}
}

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,它是由多个层成的网络结构,包括输入层、隐藏层和出层。每个层由多个神经元成,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