无题

无题

想来想去想不出标题叫什么,就叫无题吧。
鉴于博主语文水平实在不行,如果发现写的不好请谅解。
还有,谁能告诉窝怎样在csdn上放音乐啊。

日常思绪万千,到了要下笔之时,竟泪如雨下,不知从何开始诉说。
现在想起退役的事实,竟莫名地变得坦然。两个星期的时光能改变很多,它让我重新适应了文化课的生活。然而5年的OI生涯,又岂是想放下就可以放下的。退役的感觉,除了失落,更多的是一种感伤,一种怀恋,就像失恋了一样。这大概就是所谓情到深处才会有的感觉吧。这段文字,应该也算是一个比较正式的道别吧。

2016年6月,THUSC2016
因为省选排名爆低,去北京之前就做好了无论考什么分数都不能去面试的准备,但还是想去试一下,权当是借THUSC证明一下自己的实力吧。
还记得考试的时候对面坐的是成七的YJQ大爷,右边是福一的immortalCO大爷。
离开考场的时候发现所有人都会做T1,就我这SB写了个40分加随机化暴搜。T2也只想出了nlogn*60,可能会被卡常。提答玩了三四个点,如果T2没被卡常的话估分200左右,大概是要滚粗了。
第二天,对着手机等了一个早上,明知进不了面试却一直等到没进面试的通知发到手机里才默默关掉手机。死命想前一天可能写挂的东西,也没有想出来。最后,只好一个人黯然神伤。
两天之后NOI官网上发出了CD类名单,得知了自己退役的消息。
一切关于OI的美好回忆,停留在了清华大学东主楼208室。

2016年5月,CTSC2016&&APIO2016
CTSCday1只拿了2分,嗯,只有2分。出来考场之后一直在思考这样继续下去的意义,感觉我什么都干不好,就像个废物。顺手Get 人生成就,内存1G爆内存。
CTSCday2靠着出题人强行送的75分提答分和Day2T1送的30分,再加上很多人的“不食嗟来之食”从而勉强混了个Cu,Day2T1出题人送的的65分暴力都没看出来。
APIO,三道题都感觉可以写,最后却只写出了三道暴力。
比了两场比赛,两场都是Cu。加上WC的一块Cu,成功get人生成就“Cu-collector”。
还获得另一项人生成就,FJOIday1+FJOIday2+CTSCday1小于CTSCday2。
以及,lxe的CTSCday2+wcy的CTSCday1=wcy的CTSCday2。
然而人家lxe可是A类爷(orzlxe)。
CTSC要是T1没爆内存的话应该有Ag的,要是评测姬良心点让我T1A了的话或许还有Au。
APIO离Ag线也就差了7分。
本来想拿个Au,这样就算退役了也没有遗憾了,最后却滚粗了。
还是自己实力弱吧。
希望能买到D吧。

2016年4月,FJOI2016Round2
SB点分治写炸了,dp题不会写。上天注定了我要滚粗。
本来自以为无论如何也能进入省队,到头来很可能连个D类都买不上。
省选排名已经目不忍视了,努力了一年似乎和去年并没有什么差别。
没有听从家人的话就此退役,而是执念地选择了留在机房。

2016年2月,FJOI2016Round1
看成绩的时候仔细看了好几遍,才确定了我的分数。
可笑的40分,怎么也不相信我会考出这样的成绩。
前几天集训的时候就一直每天挂题,到了省选这种趋势达到了巅峰,一挂挂2道。
一道写了15分钟样例过了就放在一边的原题全Wa了。
没有借口,没有理由,也不怪罪于别人,考挂了就是自己弱。
从那一刻就知道自己很可能去不了Noi,然而却依旧执念地留在了机房。

2016年2月,WC2016
暴力写挂,Cu滚粗。
虽然是冬眠营,但其实这几天还是有所收获的呢。
希望夏天还能再去绵阳。
希望明年还能再去WC。

2015年11月,NOIP2015
Day1T3,5K的暴搜打挂。
Day2T3,看错题,最后发现的时候已无力修改。
Day2T2,SB优化没想出来。
最后也就压线拿了个一等。
Day2的时候发的解压密码是2016xiA%MY@jian,当时还看不懂是什么意思。
后来才知道是2016夏绵阳见。
嗯,2016夏,绵阳见。

2015年4月,FJOI2016Round2
看了题目一脸懵逼,强行想了3个多小时后20分滚粗。
当时想着,我反正还有一年,明年我一定要进省队。

2015年2月,FJOI2016Round1
Too young too simple, sometimes naïve。
SB题看错样例,原题只会打暴力。
不出所料地滚粗了,反正我今年就是来玩的。

2014年11月,NOIP2015
Day2T1打挂,Day1T2忘开longlong。
连个省一都没有捞到,在FJ排到了100+名。
然后一切就这么开始了。

2013年11月,NOIP2014
那时候还是个玩泥巴选手。
在只会搜索和简单dp,连个spfa都不会写。
不过普及组似乎随随便便就拿了个省一。

曾经热闹的机房如今已经安静了许多。
队爷们都出去集训了,只留下我一个人对着空无一人的机房嚎啕大哭。
很快机房又恢复了热闹,因为又有一拨人走上的这条神圣的道路。
机房总是这样,从热闹逐渐变得安静,又从安静重新变得热闹。
年复一年,日复一日,周而复始。
明知道每年的省选和NOI后总是充满眼泪,我们却义无反顾的走上了这条道路。
为了梦想,为了热爱,为了信仰。

搞了5年OI,最高级的正式奖项是NOIP一等。
连NOI的槛都没去过,这个遗憾或许会陪伴一生。

第一次接触OI还是在初一的时候,那时学个搜索还学了好几周。
还记得那时看到代码一脸懵逼的样子呢。
初中的时候会的最高级算法是01背包,连个spfa都不会写。
要是当时就开始认真搞OI,现在或许就不是这样的结局了吧。

要是当初再努力一点,或许就不是这样的结局了。
然而却已经不能再努力了。
要是还有一年,我一定可以进入省队。
然而却没有再来的一年了。

把各大OJ上的签名改成AFO;
把知乎上的个人简介改成退役OIer;
把放在机房里的课本一本本搬走;
把机房里的座位交给下一届的OIer;
回到教室参加晚自习;
每天认真完成每一科的作业;
就当作这两年什么都没有发生,
回到熟悉而又陌生的文化课教室。

想搞一套退役赛,但一直缺一道题,可能高考前搞不出来了。(你们有好的idea欢迎私我)
还有很多想写的题还没有写,还有很多坑还没有填。
这些东西估计也只能等到高考之后了。

期末考考完闲来无事去机房玩UOIP十合一,玩了两三个点就放弃了。
几个星期没有接触了,思维已经开始钝化了。
码力似乎还在,不过也仅限于某些我比较熟悉的算法了。
或许大学还会打ACM,或许又不会了。
不知道经过高三一年的磨炼后是否还有曾经那种奋斗的动力和激情。

曾经非常排斥高考,排斥文化课学习。
如今,却已经逐渐适应了文化课生活。
然而按照我可怜的的文化课水平似乎连个XMU都上不了。
虽然离朝思暮想的THU信院似乎渐行渐远,但是高三一年拼命搞文化课,或许还能去个不错的大学呢。那张当时看不上眼的省一也许还是众多奖状中最有用的一张。

有些账号还在出题,有些账号却从此进入了沉寂。
看到BZOJ第一版上大半的AFO,心中不禁感慨万千。

OI是一门神奇的竞赛,再厉害的人也可能考出2B的分数。一个字母打错一道题就可能从100分变成0分,存盘格式存错一场比赛就可能从AK变成爆零。不过,这种不确定性也正是OI的一部分吧。

然而,OI也是一门有意思的竞赛。每一道OI题目都有它独一无二的idea,每一道题目都有别出心裁的地方。我们会为想不出一道题目而抓耳挠腮,也会为突然间的豁然开朗而拍手叫好。我们会对着200多行的代码喊爹骂娘,也会在发现错误后振臂高呼。这都是OI的一部分。

一入OI深似海,从此同学成路人(雾)
入坑后养成了不参加班级集体活动,每天三点半后就不出现在教室里的恶(良)略(好)习惯,班里好多同学都是在退役之后才认识的。
然而搞OI最大的荣幸就是碰到了这样地一群人,一群同路人,一群与我拥有共同梦想的OIer。OIer作为一群特殊的群体,拥有着共同的梦想,为了共同的目标而一起努力。我们每日沉迷于代(颓)码(废)中,互相交流,互相调侃,互相勉励。还记得WC2016上的OI版10年,歌词虽然改得有些生涩和牵强,却也正是OIer们的真实写照,听得情到深处,竟潸然泪下。
能和你们在一起上大学,是我高三奋斗的最大目标。

曾经幻想着“金杯,金牌,金策,金色的灯光”般灿烂辉煌的收尾,到头来却是“5年OI一场空”的惨淡结局。然而,OI又岂是仅仅能用功利的眼光来看待的呢。至少,OI给了我最快乐的2年时光,也给了我未来的发展方向。

正如黄学长所说,OI,难道不是一种信仰吗。我的OI生涯,开始是为了功利,后来是为了兴趣,再后来是为了信仰。很欣慰自己在省选考挂的时候选择了执念而不是放弃,这让我体会到了一段最美好的时光,那种与OI相伴的美好时光。能在3年的高中中有2年做着自己最喜欢做的事情,在我看来,已是一大幸事了。让我再回到高一,甚至再回到初一,我也还是会选择OI。

OI在时光的长河中不断地向前发展,我们注定只会成为这其中的匆匆过客。然而与OI相伴的这段时光是我人生中最美好也是最难忘的一段时光,这种美好令人心醉,令人难以忘怀。

如果你们对于我的blog上的题解有问题或者想要我bzoj上的代码的话可以直接加QQ私聊,我会尽快答复。

从现在起到高考结束前,wcy将不再是一名OIer了。

最后,祝isdkfj,lxe,forme,zhshr四位大爷以及其他外校的神犇能在NOI中取得好成绩(本来想写Au的,后来想想还是不给你们立flag了),你们承载的是我们退役OIer的梦想啊。
希望SSOI越来越好,也希望OI这项竞赛能越办越好。
如果高考考得还可以的话明年大概会来更高考回忆录。

今当远离,临表涕零,不知所言。

我校机房
我校OJ
这里写图片描述这里写图片描述这里写图片描述这里写图片描述

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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