CCF201809元素选择器ヽ( ̄▽ ̄)ノ

CCF201809第三题

博主很懒,题目相信大家自己有,那我就不贴上来啦!(`・ω・´)

先说说自己做题过程中的体会和一些注意点吧:

   首先,这题相比其他时候的第三题温柔了不少---我竟然能在10分钟内读懂!接着关于题目内容,核心主要是在与后代选择器的一些细节:

     1)标签大小不敏感,id 敏感,所以比较标签时要统一化为大写或小写;

     2)因为要获得的是最终的子代行数,子代是主要矛盾点,所以我采用从子代倒推的思路:即先从最后开始找到子代,暂时保留结果,接着往前判断该子代是否符合匹配;

    3)还有一点是我当初一直忽略的,是祖先有符合就行,并不一定是刚好上一代~(因为这个,卡了我好久。。。)

    4)最后就是常规的用容器来存储去掉空格的信息,这跟之前URL那题一样。

 

直接上代码啦,因为本人有写注释的习惯,应该不会看得太困难。

部分代码粘过来后缩进有些问题,不好意思。。这个除了自己一行行的调还有什么办法么,求助呀~

如果实在难受,可以到我的cn博客上看,地址:https://www.cnblogs.com/GorgeousBankarian/p/10384463.html

 

转载注明出处哟~

#include <iostream>   
#include <string>
#include <vector> 
#include <algorithm>//结果排序 
using namespace std;
struct HTML{
	int bank;//前导空格数 
	string name;
	string id;
	HTML(){
		bank=0;
	}
}Stand[100];//去空格存储 每行 
int n=0,m=0;
string Initial[100];//原始数据 
vector<int> Final[10];//10行的向量数组 ,存行 
int total[10]={0};//符合的组数; 
void Transl(string str,int i)//去空格获信息 
{
	while(str[0]=='.'){
		Stand[i].bank++;//前导空格统计 
		str.erase(0,1);//删第一个字符 
	}
	while(str[0]!=' '){ //遇间隔跳出 
		Stand[i].name+=str[0];
		str.erase(0,1);
		if(str.empty()) {
			Stand[i].id="";
			break;//无id时 
		}
	}
	//有id时 
	if(!str.empty()) str.erase(0,1);//去掉间隔 
	Stand[i].id=str;
}
int Count_bank(string judge)//统计间隔,用于待匹配的
{
	int count=0;
	for(int i=0;i<judge.size();i++)
	{
		if(judge[i]==' '){
			count++;
		}
	}
	return count;
} 
string TranName(string str)//全部转换为小写匹配 
{
	for(int i=0;i<str.size();i++)
	{
		if(str[i]<='Z'&&str[i]>='A')
		{
			str[i]+='a'-'A';
		}
	}
	return str; 
}
bool Checkid(string str)//判断是否是id 
{
	if (str[0]=='#') return true; 
	return false;
}
bool Check_str(int temp_n,string str)//判断是否还有符合的最子代
{
	if(Checkid(str)){//匹id 
		for(int i=temp_n;i>=0;i--)
		{
			if(Stand[i].id==str) return true;						
		}
		return false;
	} 
	else
	{//匹name  
		for(int i=temp_n;i>=0;i--)
		{
			if(TranName(str)==TranName(Stand[i].name)) return true;							
		}
		return false ;
	}

}

int main()
{
	cin>>n>>m;
	cin.get();
	int i=0,j=0; 
	for(i=0;i<n;i++)
	{
		getline(cin,Initial[i]);//原始数据 
		Transl(Initial[i],i); 
	}
	string judge;//要匹配的 
	int ti=0;//第几个待匹配 
	int temp_m=m;
	while(temp_m--)
	{
		getline(cin,judge);
		int count=Count_bank(judge);//统计间隔		
		if(count==0)//单个元素 
		{
			for(i=0;i<n;i++) 
			{
				if(TranName(judge)==TranName(Stand[i].name)||judge==Stand[i].id)
				{
					total[ti]++;
					Final[ti].push_back(i+1);//存行 
				}
			}
		}
		else if(count>0)//多个元素 
		{	
			count++;//元素个数 
			string tran[100];
			string temp_str;
			//先去间隔  
			i=0;			
			while(!judge.empty())
			{
				if(judge[0]!=' '){
					temp_str+=judge[0];
					judge.erase(0,1);
				}
				else{//==' '
					judge.erase(0,1);
					tran[i]=(temp_str);
					i++;
					temp_str.clear();
				}				
			}
			tran[i]=(temp_str);//得到待匹配的信息 
			//开始匹配从子代反推 			
			int temp_n=n-1;
			int temp_bank=0;
			int temp_line=0;			
			while(Check_str(temp_n,tran[count-1]))
			{
				int judgenum=0;//统计匹配数 
				for(j=count-1;j>=0;j--)//逐个匹配 
				{	
					bool flag=Checkid(tran[j]);
					for(i=temp_n;i>=0;i--)
					{
						if(flag)
						{//匹id 
							if(tran[j]==Stand[i].id)
							{
								if(j==count-1)
								{//最子代							 
									judgenum++;
									temp_n=i-1;//下一次起始顺前 
									temp_bank=Stand[i].bank-2;//初始子代的前导空格 
									temp_line=i+1; 
									break;//匹配则跳出 
								}
							
								else{ //非最子代 
									if(Stand[i].bank<=temp_bank){//前导空格匹配 
										temp_bank=Stand[i].bank-2; 
										judgenum++; 
										break; //匹配									
									}
									else continue; 
								}
							}
						}
						else
						{//匹name 
							if(TranName(tran[j])==TranName(Stand[i].name))
							{
								if(j==count-1)
								{//最子代							 
									judgenum++;
									temp_n=i-1;//下一次起始顺前 
									temp_bank=Stand[i].bank-2;//初始子代的前导空格 
									temp_line=i+1; 
									break;//匹配则跳出 
								}							
								else
								{ //非最子代 
									if(Stand[i].bank<=temp_bank){//前导空格匹配 是祖先即可 
										temp_bank=Stand[i].bank-2; 
										judgenum++; 
										break; //匹配									
									}
									else continue; 
								}
							}
						}								
					}
					
				}
				if(judgenum==count)
				{
					total[ti]++;
					Final[ti].push_back(temp_line);
				}
			}			 			
			
		}
		ti++; 
	} 
	for(i=0;i<m;i++)
	{
		cout<<total[i]<<' ';
		sort(Final[i].begin(),Final[i].end());
		for(j=0;j<Final[i].size();j++)
		{
			cout<<Final[i][j]<<' ';
		}
		cout<<endl;
	}
	return 0;
}

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
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