NC20861兔子的逆序对

首先吐槽:这只兔子的事真多~~~~
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
首先,啊,不对,(假装没写)
second,一定要看备注:用快读
第三:cout会T,printf不会
这其实就是先求出逆序对的数量(就是归并排序),然后就非常简单了(这里有一条重要信息::::一个排序中任意两个元素对换,排列会改变逆序数

于是我们可以在反转区间上找找规律
设反转区间的左右区间分别是l,r
反转区间元素个数:2(个) 反转元素有 1(对)
3(个) 1(对)
4(个) 2(对)
5(个) 2(对)
6(个) 3(对)
7(个) 3(对)
好了,应该发现规律了吧!
假设一开始逆序数为ans,那么反转后的就会变为ans+(r-l+1)/2
代码:

#include<iostream>
using namespace std;
const int maxn = 1e5 + 5;

int a[maxn], b[maxn];
long long ans = 0;

inline int read()
{
	int X = 0; bool flag = 1; char ch = getchar();
	while (ch < '0' || ch>'9') { if (ch == '-') flag = 0; ch = getchar(); }
	while (ch >= '0' && ch <= '9') { X = (X << 1) + (X << 3) + ch - '0'; ch = getchar(); }
	if (flag) return X;
	return ~(X - 1);
}

void Megre_Sort(int l, int mid, int r) {
	int p1 = l, p2 = mid + 1;
	for (int i = l;i <= r;i++) {
		if ((p1 <= mid) && ((p2 > r) || a[p1] <= a[p2])) {
			b[i] = a[p1];
			p1++;
		}
		else {
			b[i] = a[p2];
			p2++;
			ans += mid - p1 + 1;
		}
	}
	for (int i = l;i <= r;i++) {
		a[i] = b[i];
	}
}

void dichotomy(int l, int r) {
	int mid = (l + r) >> 1;
	if (l < r) {
		dichotomy(l, mid);
		dichotomy(mid + 1, r);
	}
	Megre_Sort(l, mid, r);
}

int main() {
	int n;
	n = read();
	for (int i = 1;i <= n;i++) {
		a[i] = read();
	}
	int m;
	m = read();
	dichotomy(1, n);
	while (m--) {
		int l, r;
		l = read();r = read();
		ans = ans + ((r - l + 1) / 2);
		if (ans % 2 == 0) {
			printf("like\n");
		}
		else {
			printf("dislike\n");
		}
	}
	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