UVa 232 Crossword Answers

这道题难道是不难,细节太多了,撸了一百多行,PE?还好及时发现。。
#include<iostream>
#include<cstring>
#include<cstdio>
#include<algorithm>
#include<vector>
#include<set>
#include<map>
#include<queue>
#include<cmath>
using namespace std;
struct node
{
    int nu;
    char c[15];
}b[205];
bool cmp(node a, node b)
{
    return a.nu < b.nu;
}
int main()
{
    char a[15][15];
    int num[15][15];
    int m, n;
    int cas = 0;
    while(scanf("%d",&n) != EOF)
    {

        if(n == 0) break;
        scanf("%d",&m);
        memset(num, 0, sizeof(num));
        if(cas) printf("\n");
        printf("puzzle #%d:\n",++cas);
        for(int i = 0; i < n; i ++)
            for(int j = 0; j < m; j ++)
            cin>>a[i][j];

        int cnt = 0;
        for(int i = 0; i < n; i ++)
            for(int j = 0; j < m; j ++)
        {
            if((i == 0 || j == 0 || a[i][j-1] == '*' || a[i-1][j] == '*' )&& a[i][j] != '*')
                num[i][j] = ++ cnt;
        }
//        for(int i = 0; i < n; i ++)
//        {
//            for(int j = 0; j < m; j ++)
//            {
//                cout<<num[i][j]<<' ';
//            }
//            cout<<endl;
//        }
        printf("Across\n");
        for(int i = 0; i < n; i ++)
        {
            int first = 1;
            for(int j = 0; j < m; j ++)
            {
                if(num[i][j] != 0)
                {
                    if(first && a[i][j] != '*'){
                        printf("%3d.",num[i][j]);
                        first = 0;
                    }
                    bool pr = 0;
                    while(a[i][j] != '*' && j < m)
                    {
                        pr = 1;
                        printf("%c",a[i][j]);
                        j ++;
                    }
                    if(pr)
                    printf("\n");
                    if(a[i][j] == '*')
                    {
                        first = 1;
                        continue;
                    }
                    //printf("%c",a[i][j]);
                }
            }
        }
        int kk = 0;
        printf("Down\n");
        for(int j = 0; j < m; j ++)
        {
            int first = 1;
            for(int i = 0; i < n; i ++)
            {
                if(num[i][j] != 0)
                {
                    if(first && a[i][j] != '*'){
                        //printf("  %d.",num[i][j]);
                        b[++kk].nu = num[i][j];
                        first = 0;
                    }
                    int kkk = 0;
                    while(a[i][j] != '*' && i < n)
                    {
                        //printf("%c",a[i][j]);
                        b[kk].c[kkk ++] = a[i][j];
                        i ++;
                    }
                    b[kk].c[kkk] = '\0';
                    if(a[i][j] == '*')
                    {
                        first = 1;
                        continue;
                    }
                    //printf("%c",a[i][j]);
                }
            }
        }
        sort(b + 1, b + 1 + kk, cmp);
        for(int i = 1; i <= kk; i ++)
        {
            printf("%3d.%s\n",b[i].nu, b[i].c);
        }
    }
    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