母函数

晚上写了几道简单的母函数。

母函数万变不离其宗。。

1.HDU1171

View Code
#include <stdio.h>
#include <string.h>
#include <stdlib.h>

int value[2000], num[2000];
int c1[250010], c2[250010];
int sum = 0;

void fun(int N)
{
int cnt = num[1];
memset(c1, 0, sizeof(c1));
memset(c2, 0, sizeof(c2));
for( int i = 0; cnt >= 0; i += value[1], cnt--)
{
c1[i] = 1;
}
for( int i = 2; i <= N; i++)
{
for( int j = 0; j <= sum; j++)
{

for(int k = 0, cnt = num[i]; k + j <= sum && cnt >= 0; k += value[i], cnt--)
{
c2[k+j] += c1[j];

}

}
for( int k = 0; k <= sum; k++)
{
c1[k] = c2[k];
c2[k] = 0;
}

}
for( int i = sum / 2 ; i <= sum; i++)
{
if( c1[i] && c1[sum - i] && i >= sum - i)
{
printf("%d %d\n", i, sum - i);
return;
}
}
}

int main( )
{
int N;
while( scanf("%d",&N) != EOF )
{
sum = 0;
if( N < 0 )
break;
memset(num, 0, sizeof(num));
memset(value, 0, sizeof(value));
for( int i = 1; i <= N; i++)
{
scanf("%d%d",&value[i],&num[i]);
sum += value[i] * num[i];
}
fun(N);
}
}

2.HDU1398

View Code
#include <stdio.h>
#include <string.h>
#include <stdlib.h>

int c1[1000], c2[1000];

void fun( )
{
memset(c1, 0, sizeof(c1));
memset(c2, 0, sizeof(c2));
for( int i = 0; i <= 300; i++)
{
c1[i] = 1;
}
for( int i = 2; i <= 17; i++)
{
for( int j = 0; j <= 300; j++)
{
for(int k = 0; k + j <= 300; k += i * i)
{
c2[k + j] += c1[j];
}
}
for( int k = 0; k <= 300; k++)
{
c1[k] = c2[k];
c2[k] = 0;
}
}
}

int main( )
{
int N;
fun( );
while( scanf("%d",&N) != EOF )
{
printf("%d\n",c1[N]);
}
return 0;
}

3.HDU1028

View Code
#include <stdio.h>
#include <string.h>
#include <stdlib.h>

int c1[400], c2[400];

void fun(int N)
{
memset(c1, 0, sizeof(c1));
memset(c2, 0, sizeof(c2));
for( int i = 0; i <= N; i++)
{
c1[i] = 1;
}
for( int i = 2; i <= N; i++)
{
for( int j = 0; j <= N; j++)
{
for( int k = 0; k + j <= N; k += i)
{
c2[k + j] += c1[j];
}
}
for( int k = 0; k <= N; k++)
{
c1[k] = c2[k];
c2[k] = 0;
}
}

}

int main( )
{
int N;
fun(300);
while( scanf("%d",&N) != EOF )
{
printf("%d\n",c1[N]);
}
return 0;
}

4.HDU2082

View Code
#include <stdio.h>
#include <string.h>
#include <stdlib.h>

int c1[55000], c2[55000];
int num[10000];

void fun( )
{
int sum = 0;
memset(c1, 0, sizeof(c1));
memset(c2, 0, sizeof(c2));
for( int i = 0; i <= num[1]; i++)
c1[i] = 1;
for( int i = 2; i <= 26; i++)
{
for( int j = 0; j <= 50; j++)
for( int k = 0, cnt = num[i]; k + j <= 50, cnt >= 0; k += i, cnt--)
{
c2[k + j] += c1[j];
}
for( int k = 0; k <= 50; k++)
{
c1[k] = c2[k];
c2[k] = 0;

}

}
for( int i = 1; i <= 50; i++)
{
sum += c1[i];
}
printf("%d\n", sum);
}

int main( )
{
int N;
scanf("%d", &N);
while( N--)
{
for(int i = 1; i <= 26; i++)
{
scanf("%d",&num[i]);
}
fun( );
}
}

5。 HDU 1085

View Code
#include <stdio.h>
#include <string.h>
#include <stdlib.h>

int value[10] = {0, 1, 2, 5};
int num[10];
int c1[100000];
int c2[100000];
int sum = 0;

void fun( )
{
memset(c1, 0, sizeof(c1));
memset(c2, 0, sizeof(c2));
for( int i = 0; i <= num[1]; i++)
{
c1[i] = 1;
}
for( int i = 2; i <= 3; i++)
{
for( int j = 0; j <= sum; j++)
{
for(int k = 0, cnt = num[i]; k + j <= sum, cnt >= 0; k += value[i],cnt-- )
{
c2[k + j] += c1[j];
}
}
for( int k = 0; k <= sum; k++)
{
c1[k] = c2[k];
c2[k] = 0;
}

}
for( int i = 1; i <= sum + 10; i++)
{
if( !c1[i] )
{
printf("%d\n",i);
return;
}
}

}
int main( )
{
while( scanf("%d%d%d",&num[1], &num[2], &num[3]) != EOF )
{
sum = 0;
if(num[1] == 0 && num[2] == 0 && num[3] == 0)
break;
sum += num[1] + num[2] * 2 + num[3] * 5;
fun( );
}
}




转载于:https://www.cnblogs.com/tangcong/archive/2012/03/06/2382744.html

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