lightoj 1427 - Substring Frequency (II) AC自动机

模板题,找来测代码。

注意有相同单词

//#pragma comment(linker, "/STACK:1024000000,1024000000")
#include<cstdio>
#include<cstring>
#include<cstdlib>
#include<algorithm>
#include<iostream>
#include<sstream>
#include<cmath>
#include<climits>
#include<string>
#include<map>
#include<queue>
#include<vector>
#include<stack>
#include<set>
using namespace std;
typedef long long ll;
typedef unsigned long long ull;
typedef pair<int,int> pii;
#define pb(a) push(a)
#define INF 0x1f1f1f1f
#define lson idx<<1,l,mid
#define rson idx<<1|1,mid+1,r
#define PI  3.1415926535898
template<class T> T min(const T& a, const T& b, const T& c)
{
    return min(min(a, b), c);
}
template<class T> T max(const T& a, const T& b, const T& c)
{
    return max(max(a, b), c);
}
void debug()
{
#ifdef ONLINE_JUDGE
#else
    freopen("in.txt","r",stdin);
    // freopen("d:\\out1.txt","w",stdout);
#endif
}
int getch()
{
    int ch;
    while((ch = getchar()) != EOF)
    {
        if(ch!=' ' && ch!='\n') return ch;
    }
    return EOF;
}

const int max_len = 510;
const int max_node = max_len * max_len;
const int sigma_size = 26;

struct ac_automation
{
    int sz;
    int ch[max_node][sigma_size];
    int fail[max_node];
    vector<int> val[max_node];
    int last[max_node];

    void init()
    {
        memset(ch[0], 0, sizeof(ch[0]));
        val[0].clear();
        sz = 1;
    }
    int id(char c)
    {
        return c - 'a';
    }
    void insert(const char *s, int v)
    {
        int u = 0;
        for(int i = 0; s[i] != '\0'; i++)
        {
            int v = id(s[i]);
            if(!ch[u][v])
            {
                memset(ch[sz], 0, sizeof(ch[sz]));
                val[sz].clear();
                ch[u][v] = sz++;
            }
            u = ch[u][v];
        }
        val[u].push_back(v);
    }

    void construct()
    {
        queue<int> q;
        fail[0] = 0;
        for(int c = 0; c < sigma_size; c++)
        {
            int u = ch[0][c];
            if(u) {q.push(u); fail[u] = 0; last[u] = 0; }
        }

        while(!q.empty())
        {
            int r = q.front(); q.pop();
            for(int c = 0; c < sigma_size; c++)
            {
                int u = ch[r][c];
                if(u)
                {
                    q.push(u);
                    fail[u] = ch[fail[r]][c];
                    last[u] = (!val[fail[u]].empty()) ? fail[u] : last[fail[u]];
                } else ch[r][c] = ch[fail[r]][c];
            }
        }
    }

    void count(int x[], int u)
    {
        if(val[u].size() > 0)
        {
            for(int i = 0; i < val[u].size(); i++)
                x[val[u][i]]++;
            count(x, last[u]);
        }
    }
    void find(const char *T, int x[])
    {
        int u = 0;
        for(int i = 0; T[i] != '\0'; i++)
        {
            int v = id(T[i]);
            u = ch[u][v];
            if(!val[u].empty()) count(x, u);
            else if(last[u]) count(x, last[u]);
        }
    }
};


ac_automation solver;
const int maxn = 1000100;
char T[maxn];
int ans[maxn];

int main()
{
    debug();
    int t;
    scanf("%d", &t);
    for(int ca = 1; ca <= t; ca++)
    {
        solver.init();
        int n;
        scanf("%d%s", &n, T);
        for(int i = 1; i <= n; i++)
        {
            char word[max_len];
            scanf("%s", word);
            solver.insert(word, i);
        }
        solver.construct();

        memset(ans, 0, sizeof(ans));
        solver.find(T, ans);

        printf("Case %d:\n", ca);
        for(int i = 1; i <= n; i++)
        {
            printf("%d\n", ans[i]);
        }
    }
    return 0;
}
View Code

 

转载于:https://www.cnblogs.com/BMan/p/3726309.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