poj1703Find them, Catch them(并查集以及路径压缩)

/*
   题目大意:有两个不同的黑帮,开始的时候不清楚每个人是属于哪个的!
  执行两个操作
  A a, b回答a, b两个人是否在同一帮派,或者不确定
  D a, b表示a, b两个人不在同一个帮派

  思路:利用并查集将相同帮派的人合并到一起!
           a ,b 不在同一个城市,那么 a, 和mark[b]就在同一个城市,
           b 和 mark[a]就在同一个城市!
*/
#include<iostream>
#include<cstring>
#include<cstdio>
#define M 100005
using namespace std; 
int f[M];
int mark[M];//mark[i]表示 i 与 mark[i]不在同一个黑帮 
int rank[M];//为不同的集合的父亲节点记录其孩子机节点个数,在合并集合的时候,将
int n, m;   //rank 值小的集合连接到 rank 值大的集合上去! 这样在路径压缩的时候省去不少时间 

void init(){
    
   memset(mark, 0, sizeof(int)*(n+1));
   memset(rank, 0, sizeof(int)*(n+1));
   for(int i=1; i<=n; ++i)
      f[i]=i;
}

int getFather(int x){
   return x==f[x] ? x : f[x]=getFather(f[x]); 
}

void Union(int a, int b){
   int fa=getFather(a), fb=getFather(b);
   if(fa!=fb){
      if(rank[fa]>rank[fb]){ 
         f[fb]=fa;
         rank[fa]+=rank[fb]+1;
      }
      else{
         f[fa]=fb;
         rank[fb]+=rank[fa]+1;
      }
   }

int main(){
   int t;
   char cmd[3];
   scanf("%d", &t);
   while(t--){
      scanf("%d%d", &n, &m);
      init();
      while(m--){
         int u, v;
         scanf("%s%d%d", cmd, &u, &v);
         if(cmd[0]=='A'){
              int fu=getFather(u), fv=getFather(v);
             if(fu==fv)
                printf("In the same gang.\n");
             else if(fu==getFather(mark[v]))
                printf("In different gangs.\n"); 
             else
                printf("Not sure yet.\n");
         }
         else{
            if(!mark[u] && !mark[v]){
               mark[u]=v;
               mark[v]=u;
            } 
            else if(!mark[u]){
               mark[u]=v;
               Union(u, mark[v]);
            }
            else if(!mark[v]){
               mark[v]=u;
               Union(v, mark[u]);
            }
            else {
               Union(u, mark[v]);
               Union(v, mark[u]);
            }
         }
      }
   } 
   return 0;
}









本文转自 小眼儿 博客园博客,原文链接:http://www.cnblogs.com/hujunzheng/p/3892571.html,如需转载请自行联系原作者
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