HDU 3974 dfs序线段树

 

#include <bits/stdc++.h>
#include <iostream>
using namespace std;
#define ll long long
const int maxn = 100005;
struct Node{
	int l,r;
	ll pre,add;
}node[maxn*4];
void build(int p,int l,int r){
	node[p].l = l;
	node[p].r = r;
	node[p].pre = -1;
	node[p].add = -1;
	if(l==r)
		return ;
	int mid = (l+r)/2;
	build(p*2,l,mid);
	build(p*2+1,mid+1,r);
}
void spread(int p){
	if(node[p].add!=-1){
		node[p*2].pre = node[p].add;
		node[p*2+1].pre = node[p].add;
		node[p*2].add = node[p].add;
		node[p*2+1].add = node[p].add;
		node[p].add = -1;
	}
}
void change(int p,int l,int r,int v)
{
	if(l<=node[p].l&&node[p].r<=r){
		node[p].pre = v;
		node[p].add = v;
		return ;
	}
	spread(p);
	int mid = (node[p].l+node[p].r)>>1;
	if(l<=mid)change(p*2,l,r,v);
	if(r>mid)change(p*2+1,l,r,v);
}
void query(int p,int l,int r){
	if(l<=node[p].l&&node[p].r<=r){
		printf("%d\n",node[p].pre);
		return ;
	}
	spread(p);
	int mid = (node[p].l+node[p].r)>>1;
	if(l<=mid)query(p*2,l,r);
	if(r>mid)query(p*2+1,l,r);
}
bool book[maxn];
vector<int> v[maxn];
int pos[maxn],num[maxn];
int cnt = 1;
void dfs(int now,int fa){
	pos[now] = cnt++;	
	num[now] = 1; 
	for(int i=0;i<v[now].size();i++){
		if(v[now][i]!=fa){
			dfs(v[now][i],now);
			num[now]+=num[v[now][i]];
		}
	}
}


int n,m;
int main()
{
	int T, cas = 1;
	scanf("%d", &T);
	while (T--) {
		cnt = 1;
		memset(book, false, sizeof(book));
		printf("Case #%d:\n", cas++);
		scanf("%d", &n);
		for (int i = 1; i <= n; i++)
			v[i].clear();
		m = n - 1;
		int a,b;
		while (m--) {
			scanf("%d%d", &a, &b);
			v[b].push_back(a);
			book[a] = true;
		}
		
		for (int i = 1; i <= n; i++) {
			if (book[i] == false) {
				dfs(i, 0);//对根节点深搜 
				break;
			}
		}

		build(1,1,n);
		scanf("%d", &m);
		while(m--) {
			char op[3];
			int l,r,k;
			scanf("%s",&op);
			if(op[0]=='C') {

				scanf("%d",&k);
				query(1,pos[k],pos[k]);

			} else {
				scanf("%d %d",&l,&r);
				change(1,pos[l],pos[l]+num[l]-1,r);
			}

		}
	}
	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)**:这种网络能够处理列数据,如时间列或自然语言,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

打赏作者

wym_king

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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