HDOJ 1698 Just a Hook


分析: 只查询一次(总和)。toadd 表示以下全部替换为此值(而不是累加)。初始每个结点为1。

类型:成段更新(lazy标记)。线段树......(ps. 据说树状数组能做成段的?怎么做?再说~...

代码:

//颜色:1 2 3
//You may consider the original hook is made up of cupreous sticks.
#include<cstdio>
#include<cstring>
#include<iostream>
using namespace std;

#define lc e<<1
#define rc e<<1|1
#define MAXN 100000
struct node{ int l, r, mid, v, toadd; } a[MAXN*4]; 	//toadd表示颜色值{0/1/2/3}
int n;

void pushup(int e) { a[e].v=a[lc].v+a[rc].v; }
void pushdown(int e) 
{ 
	int t = a[e].toadd;
	if(t)
	{
	a[e].toadd = 0;
	a[lc].v=(a[lc].r-a[lc].l+1)*t;
	a[rc].v=(a[rc].r-a[rc].l+1)*t; 
	a[lc].toadd=a[rc].toadd=t;
	}
}
void build(int l, int r, int e)	//(1, n, 1)
{
	a[e].l=l; a[e].r=r;
	if(l==r) a[e].v=1;
	else
	{
		a[e].mid=(l+r)>>1;
		build(l, a[e].mid, lc);
		build(a[e].mid+1, r, rc);
		pushup(e);
	}
}
void update(int L, int R, int c, int l, int r, int e)
{
	if(L<=l && r<=R)
	{
		a[e].v = (a[e].r-a[e].l+1)*c;
		a[e].toadd = c;
//printf("L:%d R:%d l:%d r:%d c:%d a[e].v=%d\n", L, R, l, r, c, a[e].v);
	}
	else	// l L R r
	{
		pushdown(e);		//这里不推下去怎么对!!!2~

		if(L<=a[e].mid) update(L, R, c, l, a[e].mid, lc);
		if(a[e].mid<R) update(L, R, c, a[e].mid+1, r, rc);
		pushup(e);
//printf("e:%d, a[e].v: %d\n", e, a[e].v);
	}
}
int cal()
{
	return a[1].v;
}
int main()
{
	int t;	scanf("%d", &t);
	for(int i=0; i<t; i++)
	{
		int q;
		scanf("%d%d", &n, &q);
		memset(a, 0, sizeof(a));
		build(1, n, 1);		//费?
		while(q--)
		{
			int x, y, c;	scanf("%d%d%d", &x, &y, &c);
			update(x, y, c, 1, n, 1);
		}
		printf("Case %d: The total value of the hook is %d.\n", i+1, cal());
	}
}


转载于:https://www.cnblogs.com/tclh123/archive/2011/09/19/2587061.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