优势人群(Effcient Solutions,UVA 11020)

如果对于一个人P,不存在另外一个人。x2<<x1,y2<=y1,或者x2<=x1,y2<y1,我们说P是有优势的。

这里采用STL中的multiset(可重集—允许一个键对应多个实例)来表示这个点集合(因为集合中可以有相同点,代表属性完全相同的人)。第一种情况只需要比较lower_bound(P)和P的y坐标,而第二种情况只需要从upper_bound(P)开始,删除所有优势的点。代码如下:

#include<iostream>
#include<set>
using namespace std;

struct Point{
	int a,b;
	bool operator < (const Point& rhs) const{
		return a<rhs.a || (a==rhs.a && b<rhs.b);
	}
};
multiset<Point> S;
multiset<Point>::iterator it;

int main(){
	int T;
	cin>>T;
	for(int kase=1;kase<=T;kase++){
		if(kase>1) cout<<endl;
		cout<<"Case #"<<kase<<":"<<endl;
		int n,a,b;
		cin>>n;
		S.clear();
		while(n--){
			cin>>a>>b;
			Point P={a,b};
			it=S.lower_bound(P);     //返回一个迭代器,指向键不小于P的第一个元素。
			if(it==S.begin() || (--it)->b>b){ //返回一个迭代器,它指向容器C的第一个元素
				S.insert(P);
				it=S.upper_bound(P); //返回一个迭代器,指向键大于P的第一个元素。
				while(it!=S.end()&&it->b>=b)  S.erase(it++);//从S中删除迭代器it所指向的元素
			}
			cout<<S.size()<<endl;
		}
	}
	return 0;
}


轻量化神经网络是指通过压缩和优化神经网络模型,减少其计算和存储资源需求的技术。根据引用中的研究《SqueezeBERT: What can computer vision teach NLP about efficient neural networks?》和引用中的研究《Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding》,有几种常见的轻量化神经网络的方法如下: 1. 剪枝(Pruning):这种方法通过减少神经网络中的冗余参数来缩小模型的大小。剪枝算法会删除那些对网络输出影响较小的连接或神经元,从而降低模型的复杂度。剪枝算法可以基于权重敏感性或梯度敏感性进行选择。 2. 量化(Quantization):量化是将浮点数参数转换为更低精度的整数或定点数表示。通过减少参数的位数,可以大大减小神经网络的存储需求。常见的量化策略包括定点量化和二值量化。 3. Huffman编码(Huffman Coding):这是一种无损数据压缩算法,用于减小神经网络模型中的权重表示。Huffman编码利用数据的频率分布特点,将高频出现的权重用较短的编码表示,将低频出现的权重用较长的编码表示,从而减小模型的存储空间。 除了上述方法,还有一些其他的轻量化方法被研究和提出,如低秩分解、深度可分离卷积等。这些方法都致力于减小模型的计算和存储资源需求,以便在嵌入式设备或计算资源有限的环境中实现高效的神经网络推理。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [【轻量化深度学习】Efficient On-Device Deep Learning Research](https://blog.csdn.net/qq_16763983/article/details/124146226)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
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