9月20日全国网络选拔赛比赛总结

       今天参加了这一次的网络选拔赛,因为主要是看一下自己的不足,涨一下见识,所以并没有太大的压力。不过开始的时候因为一些情况账号登不上去,着急了好长时间,最后我们队用刚注册的一个账号登录了,然后写了题目。

       首先刚开始看的是第一题,第一题应该是一个给左下角和右上角的坐标求覆盖的点的数量的一个题目,但是我个人猜测可能是因为题目出错的原因导致在这个题上浪费了好长的时间也没有结果,因为最后好像并没有人能够通过这道题。​

       因为第一题浪费了一些时间,所以别的题目有些队伍已经做了,于是我们开始按照提交人数比较多的题目进行书写,日常看题目,有几道题应该算是签到题,所以写了出来。A的第一道题是只有0和1,不允许有相同的数字相邻的题目,题意和代码都比较简单;第二道题目是给一个字符串比如abcde,用Case加一些符号的形式,求出第i个字符串中重复次数最多的子母重复个数,题意的话比较难看懂,但例子比较好明白,不过写完之后要注意时间的问题;第三道题目是一个送邮件的题目,一个人从入口开始,到一个特定的邮箱输入密码然后去拿邮件,然后循环往复最后回到入口,这道题看懂了题意其实并不难,但我们组在写程序的时候,要求出最小的一个,因为最小的那个需要最后去送,然后我们在求最小的那个时候,没有用排序,而是定了一个minn=100000000,因为比较疏忽,minn定的是10的8次方,而题目给的范围是小于10的9次方,这个改了挺长的时间。

       最后我们就看了一些题意好长的题目,一个是矩阵一个是极限,感觉和数学都好有关,但题意看的不太明白,写的时候就没有什么思路,这也是我最清醒得认识到了数学的存在,看了这些之后就开始了游览时间,把每个题目都见识了一下,感觉最大的收获还是对题目的难度有了认识吧,对下一次的比赛感觉心里有了底。还是好好看书做题,有实力了才啥都不慌。

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