趣题[1]

趣题[1]

来源

http://www.csie.ntnu.edu.tw/~u91029/Sequence3.html
UVA - 12192

介绍

引入

\(n*m\)的矩阵,每行从左到右递增,每列从上到下递增,在矩阵中找数\(x\)出现过的位置。

具体做法可以在这个链接ctrl+F[Search in Sorted Matrix: Saddleback Search],复杂度\(O(n+m)\)

想法

现在我们知道了,从这样的矩阵的右上角走下来可以把矩阵分成两个部分,左上部分小于\(x\),右下部分大等于\(x\),这样的想法有什么用呢?

小小的实战!

UVA - 12192
题目要求在\(n*m\)的矩阵中找一个最大的方阵,使得方阵中所有的元素都在区间\([L, R]\)中。\(1<=n,m<=500\) 询问\(10000\)次。

做法:把矩阵分成两个部分,左上部分小于\(L\),右下部分大等于\(L\),然后二分方阵的边长,check时判断方针的右下角是不是小等于\(R\)就可以啦。复杂度\(O(q*(n+m)*logn)\)

代码:

#include<bits/stdc++.h>
using namespace std;
#define fi first
#define se second
#define mp make_pair
#define pb push_back
#define rep(i, a, b) for(int i=(a); i<(b); i++)
#define sz(x) (int)x.size()
#define de(x) cout<< #x<<" = "<<x<<endl
#define dd(x) cout<< #x<<" = "<<x<<" "
typedef long long ll;
typedef pair<int, int> pii;
typedef vector<int> vi;
//------

const int N=555;
int n,m,l,r;
int a[N][N];

int gao(int x,int y) {
    if(a[x][y]>r||a[x][y]<l) return 0;
    int lo=1,hi=min(n-x+1, m-y+1);
    int ans=0;
    while(lo<=hi) {
        int mid=(lo+hi)>>1;
        if(a[x+mid-1][y+mid-1]<=r) {
            ans=mid;
            lo=mid+1;
        } else {
            hi=mid-1;
        }
    }
    return ans;
}

int solve() {
    int ans=0;
    int x=1,y=m;
    ans=max(ans,gao(x,y));
    while(1) {
        if(y==1||a[x][y-1]<l) {
            if(x<n) ++x;
            else break;
        } else {
            --y;
        } 
        ans=max(ans,gao(x,y));
    }
    return ans;
}

int main() {
    while(~scanf("%d%d",&n,&m)) {
        if(n==0&&m==0) break;
        ///read
        rep(i,1,n+1) {
            rep(j,1,m+1) {
                scanf("%d",&a[i][j]);
            }
        }
        ///solve
        int q;scanf("%d",&q);
        while(q--) {
            scanf("%d%d",&l,&r);
            printf("%d\n",solve());
        }
        puts("-");
    }
    return 0;
}

转载于:https://www.cnblogs.com/wuyuanyuan/p/8120043.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