RoundE——street checkers 学习代码*2

题目大意:
Alice和Bob玩一款AR游戏,在一个很长的街道上,这个街道上的砖块编号0~10^9。游戏开始时,Alice和Bob都站在第0块砖上,给定一个数字X在[L,R]的范围内,Alice仅跳到奇数编号上,Bob仅跳到偶数编号上。如果他们跳到的编号能够整除X,则他们则将这块砖涂上自己最喜欢的颜色,当其中一人跳到了第X块砖上时,游戏结束。

当Alice和Bob各自涂色的砖块数量差不超过2时,则表示这个游戏是有趣的。找出[L,R]区间内有多少种X的取值方案使得游戏是有趣的。

输入:第一行输入一个整数T,表示有T个测试用例。接下来T行包含两个整数L和R, 用于生成随机数X。

输出:对于每个测试用例,输出Case #x: y, 表示第x个测试用例,y表示[L,R]区间内有多少种取值方式能使得游戏是有趣的。

用例解释:
在这里插入图片描述
解题:
即:找出[L,R]区间内的数字N,可以整除N的奇数和可以整除N的偶数个数不超过2。
进行预处理,计算每个数字奇数和偶数除数个数。


#include <iostream>
#include <vector>
#include <cstring>
#include <cmath>
using namespace std;

const int MAXN = 1000006;
const int SMALLN = 1000000;
int odd[MAXN], even[MAXN];

void init()
{
    memset(odd,0,sizeof(odd));
    memset(even,0,sizeof(even));
    for (int i = 1; i <= SMALLN; i++)
    {//计算每个数字除数个数
        for (int j = i; j <= SMALLN; j+=i)
        {
            if (i%2) odd[j]++; //数字j偶数除数个数
            else even[j]++; //数字j奇数除数个数
        }
    }
}

void solve(int case_no)
{
    int L, R;
    cin >> L >> R;
    int ans = 0;
    for (int i = L; i <= R; i++)
    {
        //cout << i << " " << odd[i] << " " << even[i] << endl;
        if (abs(odd[i] - even[i]) <= 2) ans++;
    }
    cout << "Case #" << case_no << ": ";
    cout << ans;
    cout << endl;
}

int main()
{
    init();
    int case_number;
    cin >> case_number;
    for (int cur_case_no = 1; cur_case_no <= case_number; cur_case_no++)
    {
        solve(cur_case_no);
    }
}
/*
2
5 10
102 102
*/
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