PAT A1063 Set Similarity

PAT A1063 Set Similarity

在这里插入图片描述

Sample Input:

3
3 99 87 101
4 87 101 5 87
7 99 101 18 5 135 18 99
2
1 2
1 3

Sample Output:

50.0%
33.3%
  • 思路 1:
    将待查询的两个set中所有元素插入一个新的set中去,因为两个set本身已经是去过重的了,再插入test中减少的元素个数,就是两个set共同的部分(交集Nc),插入完成后test的大小,就是两个set全部重复元素的个数(并集Nt).

  • code 1:

#include <iostream>
#include <stdio.h>
#include <algorithm>
#include <unordered_set>	//!!!:Wrong 1:
using namespace std;
unordered_set<int> se[110], test;
int main(){
	int n, nS, tmp, q;
	scanf("%d", &n);
	for(int i = 1; i <= n; ++i){
		scanf("%d", &nS);
		for(int j = 0; j < nS; ++j){
			scanf("%d", &tmp);
			se[i].insert(tmp);
		}
	}
	scanf("%d", &q);
	for(int i = 0; i < q; ++i){
		int q1, q2, len1, len2;
		scanf("%d %d", &q1, &q2);
		len1 = se[q1].size();
		len2 = se[q2].size();
		test.clear();
		for(auto it = se[q1].begin(); it != se[q1].end(); ++it){
			test.insert(*it);
		}
		for(auto it = se[q2].begin(); it != se[q2].end(); ++it){
			test.insert(*it);
		}	
		int Nt = test.size();
		int Nc = len1+len2-Nt;
		printf("%.1f", (double)Nc/(double)Nt * 100.0);
		printf("%\n");
	}
	return 0;
}
  • Wrong 1:
    用set会超时,改为unordered_set

  • 思路 2:
    找共同元素,改为遍历一个set,找是否有另一个中的元素,并集为 总大小 - 交集大小(或者在遍历中直接用一个变量累加)

  • code 2:

#include <iostream>
#include <stdio.h>
#include <algorithm>
#include <unordered_set>
using namespace std;
unordered_set<int> se[110];
void compare(int a, int b){
	int len1 = se[a].size(), len2 = se[b].size();
	//在小的里面找大的,默认为a小,如果b小将now 改为b 
	int now = a, other = b, Nc = 0, Nt = len1+len2; 
	if(len2 < len1){
		now = b;
		other = a;
	} 
	for(auto it = se[now].begin(); it != se[now].end(); ++it){
		if(se[other].find(*it) != se[other].end()) Nc++;
	}
	Nt -= Nc;
	printf("%.1f%\n", (double)Nc/(double)Nt * 100.0);	
}
int main(){
	int n, nS, tmp, q;
	scanf("%d", &n);
	for(int i = 1; i <= n; ++i){
		scanf("%d", &nS);
		for(int j = 0; j < nS; ++j){
			scanf("%d", &tmp);
			se[i].insert(tmp);
		}
	}
	scanf("%d", &q);
	for(int i = 0; i < q; ++i){
		int q1, q2, len1, len2;
		scanf("%d %d", &q1, &q2);
		compare(q1, q2);
	}
	return 0;
}
  • T2 code:
#include <bits/stdc++.h>
using namespace std;
const int maxn = 110;
unordered_set<int> st[maxn];

int main(){
	int n;
	scanf("%d", &n);
	for(int i = 1; i <= n; ++i){
		int cnt_st, tmp;
		scanf("%d", &cnt_st);
		for(int j = 0; j < cnt_st; ++j){
			scanf("%d", &tmp);
			st[i].insert(tmp);
		}
	}
	scanf("%d", &n);
	for(int i = 0; i < n; ++i){
		int cnt_q, tmp_q1, tmp_q2;
		scanf("%d %d", &tmp_q1, &tmp_q2);
		int Nc = 0, Nt = st[tmp_q2].size();
		for(auto it = st[tmp_q1].begin(); it != st[tmp_q1].end(); ++it){
			if(st[tmp_q2].find(*it) != st[tmp_q2].end()) Nc++;
			else Nt++;
		}
		printf("%.1f%\n", 100.0 * Nc / Nt);
	}
	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