icpc changchun 小结

不说是辛苦了一个假期

也算是花费了一个假期吧

终于到了真正上赛场的时候了

Day 1 10.12

到了长春也知道GG是长春人

结果。。。。

GG真的是长春人???

出火车站后去宾馆的方法居然是

随便找个BUS上。。。。

于是10分钟的路我们走了1个小时。。。。

下午去伪满皇宫转了转

鉴于是参赛总结,就不写成游记了。。。

 

Day 2 10.13

早上起来就去师大

开幕式以及练习赛

练习赛也基本答到了试机以及环境的目的

晚上整理了一个模板,也就早早的睡了

 

Day 3 10.14

直接说比赛吧,毕竟这5个小时也是重点

一上来顺着看题

由于F题的“气球”居然是个棍。。。

所以jrc果断看F了

我看A,LHH看K

我看完A、B,C看了一半的时候

LHH看明白K了

然后跟我讲,我就开始想K了

K题题意,给你一个数N,求最小的r*k,让k^0+k^1+……+K^r=n或n+1

n<10^12,10000组数据

一开始感觉就是数学题嘛

但想偏了,以为是分解因数什么的

由于天津预赛做了一个差不多的,后面很自然的想到枚举r二分k了

由于r<10^6,n<10^12,求和公式是k^(r+1),正好是10^18

后来想到这个的时候才发现数据出到10^12应该就是为了不超longlong

没读清题WA了两次,然后发现快速幂的时候超边界

改了几次也不对

之前写的 ans*=a if (ans>max) return

后面改成 if (ans<max/a) ans*=a else return 过的

这个时候已经2个半小时了(一直不顺呀,2个半小时才1题)

然后jrc说B有思路,写B去了(LHH写K的时候我跟jrc已经把H讨论出来了,但9000W的时间不敢写)

场上过C的不少,让LHH看了看C,发现是大水题呀,居然开场就没人发现

C题意就不说了,全程序大概就20个if就结束了

被卡了两次0 0 0 0 0 或者0 0 1 2这样的数据(写mod的时候考虑不周) 很快过了 已经3个小时了

jrc发现B想错了,于是果断写H

H题,给N,M,K,求(A1+A2+...+Ak)=N (A1,A2……Ak)最小公倍=M的个数,n,m<1000,k<100

由于1000以内840约数最多,32个,于是100*1000*32*32,1亿的时间

考虑到大多数的约数都不多,也没别的题的思路,就赶紧写了

很快写完,数据也基本都测的是对的,交上去还是WA

让LHH上去写E,我们查代码,没查出错,看LHH的样子估计写不出来,就把他赶下来测数据查

38 900 3  这就是4 9 25 ,ans应该是6

这里就出错了,查了很久很久,后来发现数组开小了。。。

C里假设数组开到a[50] ,你用a[180]甚至监视a[180]都是不会出错了。。。。

4个半小时的时候发现了,改滚动,15分钟搞定

4:45的时候过了

然后LHH知道B怎么做,但15分钟肯定写不完,我们的比赛就算结束了

最后是96名,不算很好的成绩吧,过程很不顺,但第一次有牌到手,结果也可以接受

 

总结一下

不知道是算紧张还是没经验,一开始上手的时候比较慌

所以很多小细节没考虑清楚

于是被卡了很多次,全场不顺

按理说,K题1个小时的时候就该过,半个多小时过C,半个多小时才H,2个半小时的时候就应该是3题

这样B,E,J应该都有机会的

2个半小时还没过一题的时候真的是慌了

如果这次空手而归的话,下场杭州的压力就太大了

过题太慢后来一直觉得很危险,所以全场的节奏都不对

 

幸好最后还是稳定下来,把CHK的错都改过了

卡在3题拿了个铜

BUAA的ACMer,还有4场,继续加油

我们,杭州,再会

转载于:https://www.cnblogs.com/Tjamie/archive/2012/10/15/2725060.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