codeforces B. Calendar 解题报告

题目链接:http://codeforces.com/problemset/problem/304/B

题目意思:给出两个日期,需要算出这两个日期之间有多少日。

      细心模拟就可以了。特别要注意的是,两个日期是同一年的处理。我的解决方法是,算出小的那一个日期的天数离它所处月份还有多少天,大的日期的天数加上去,还有一部分是它们之间相隔的月数总天数。另外,为了方便处理,保证了第一个处理的日期是较小的。

    

 1 #include <iostream>
 2 #include <cstdio>
 3 #include <cstdlib>
 4 #include <algorithm>
 5 using namespace std;
 6 
 7 static char dd[2][13] = {
 8     {0, 31, 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31},  
 9     {0, 31, 29, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31}
10 };
11 
12 int jd_year(int year)
13 {
14     if (year % 4 == 0 && year % 100 != 0 || year % 400 == 0)
15         return 1;
16     return 0;
17 } 
18 
19 int day_of_year(int year, int month, int day)  // 算出该日期在该year年处于第几天
20 {
21     for (int i = 1; i < month; i++)
22         day += dd[jd_year(year)][i];
23     return day;
24 }
25 
26 int main()
27 {
28     int y, m, d, y1, m1, d1, i, cnt;
29     scanf("%d:%d:%d", &y, &m, &d);
30     scanf("%d:%d:%d", &y1, &m1, &d1);
31     if (y > y1 || (y == y1 && m > m1) || (y == y1 && m == m1 && d > d1))
32     {
33         swap(y, y1);
34         swap(m, m1);
35         swap(d, d1);
36     }
37     if (y == y1)
38     {
39         if (m != m1)
40         {    
41             cnt = dd[jd_year(y)][m]-d + d1;
42             for (i = m+1; i < m1; i++)
43                 cnt += dd[jd_year(y)][i];
44         }
45         else
46             cnt = d1 - d;
47     }
48     else
49     {
50         cnt = day_of_year(y, m, d);
51         if (jd_year(y))
52             cnt = 366 - cnt;
53         else
54             cnt = 365 - cnt;
55         cnt += day_of_year(y1, m1, d1);
56         for (i = y+1; i < y1; i++)
57         {
58             if (jd_year(i))
59                 cnt += 366;
60             else
61                 cnt += 365;
62         }
63     }
64     printf("%d\n", cnt);
65     return 0;
66 }
67 
68     

 

     

转载于:https://www.cnblogs.com/windysai/p/3535918.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