覆盖统计

覆盖统计(axis.c/cpp/pas)
【题目大意】
数轴上有一些点,从 1 标记到n,逐渐被线段覆盖, 求
每次覆盖后未被覆盖的点的个数。
【输入数据】
第一行,点数 n,操作数k。
接下来k 行,每行是线段的左右端点 l,r
【输出数据】
k行,每次操作后未被覆盖的点。
【输入样例】
9 3
3 3
5 7
1 9
【输出样例】
8
5
0
【数据范围】
对于 30%的数据,1<=n,k<=2000;
对于 100%的数据,1<=n<=200000,k<=600000

----------------------------------------

树什么的不熟练啊,就想出了一种神奇的方法,覆盖的地方false掉,用一个next函数跳转,原来覆盖过的地方就不扫了,这样可以省去很多时间。最后偶尔更新一下,使next函数简化,数据全过啦!!!(结果后来发现更新反而更花时间,不更新能够更快AC。。。。)

var
  b:array[0..200001]of boolean;
  back,next:array[0..200001]of longint;
  i,j,n,k,l,r,ans,last:longint;
begin
  assign(input,'axis.in');  assign(output,'axis.out');
  reset(input);  rewrite(output);
  read(n,k);
  fillchar(b,sizeof(b),true);
  ans:=n;
  for i:=1 to n do next[i]:=i+1;
  for j:=1 to k do
    begin
      read(l,r);
      i:=l;
      repeat
        begin
          if b[i] then
            begin
              i:=i+1;
              next[i-1]:=r+1;
              b[i-1]:=not b[i-1];
              dec(ans);
            end
          else i:=next[i];
        end;
      until (i>r)or(i>n);
      writeln(ans);
      if j mod 10000=0 then   //更新next函数
        begin
          last:=n+1;
          for i:=n downto 1 do
            begin
              if (b[i]=false)and(b[i-1]=true) then
                 next[i]:=last;
              if (b[i]=true)and(b[i-1]=false) then
                 last:=i;
            end;
        end;
    end;
  close(input);   close(output);
end.

转载于:https://www.cnblogs.com/zjhl2/p/3855967.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