小的注意点

状态压缩DP

复杂度为 2 n 2^n 2n,适用于 n ≤ 30 n\le30 n30

并查集
  1. 一定要初始化!!!
fa[i]=i;
  1. 作为要传给函数的变量,一定不要在循环里定义 (至于为什么我真不知道TAT)
    10 p t s → 100 p t s 10pts→100pts 10pts100pts
    信息传递
#include <bits/stdc++.h>
using namespace std;
int f[200020],d[200020];
int minn;
int getfa(int x){
	if(f[x]!=x){
		int last=f[x];f[x]=getfa(f[x]);
		d[x]+=d[last];
	}
	return f[x];
}
void check(int a,int b){
	int x=getfa(a),y=getfa(b);
	if(x!=y){
		f[x]=y;d[a]=d[b]+1;
	}
	else{
		minn=min(d[a]+d[b]+1,minn);
	}
	return;
}
int main(){
	int n,t,i;
	minn=0x3f3f3f3f;
	scanf("%d",&n);
	for(i=1;i<=n;++i){
		f[i]=i;
	}
	for(i=1;i<=n;i++){//就是这里!!! 
		scanf("%d",&t);
		check(i,t);
	}
	printf("%d",minn);
	return 0;
} 
二分答案

跳石头
注意

  1. l e le le, l l l变量名不要定义混乱
  2. 每一个变量名都有用废话 可是不知道为什么我一开始完全没考虑m瓜的
  3. 边界条件的处理
#include <bits/stdc++.h>
#define int long long
using namespace std;
int l,n,m,d[500050];
bool ok(int x){
	int i=0;
	int now=0,tot=0;
	while(i<n+1){
		i++;
		if(d[i]-d[now]<x){
			tot++;
		}
		else{
			now=i;
		}
	}
	if(tot>m){
		return 0;
	}
	else{
		return 1;
	}
}
signed main(){
	scanf("%lld%lld%lld",&l,&n,&m);
	for(int i=1;i<=n;i++){
		scanf("%lld",&d[i]);
	}
	d[n+1]=l;
	if(n==0){
		printf("%lld",l);
		return 0;
	}
	int le=1,r=l;
	int mid,ans=0;
	while(le<=r){
		mid=(le+r)>>1;
		if(ok(mid)){
			ans=mid;
			le=mid+1;
		}
		else{
			r=mid-1;
		}
	}
	printf("%lld",ans);
	return 0;
}
字符串读入

P3952 时间复杂度
字符串读入建议输出读的东西,可能莫名读了一个空格

#include <bits/stdc++.h>
using namespace std;
const int maxl=105;
int t,l,w;
string o;
string code[maxl];
int sread(int &x,string c){//x传址,每次值都会相应改变,不需要初始化  
	int res=0;
	int len=c.size();
	while(c[x]<'0'||c[x]>'9'&&x<c.size()){
		if(c[x]=='n'){
			++x;return 1000000;
		}
		++x;
	}
	while(c[x]>='0'&&c[x]<='9'){
		res=(res<<3)+(res<<1)+(c[x]^48);
		++x;
	}
	return res;
}
int geto(){
	int res=0,x=3;
	int len=o.size();
	if(o[2]=='n')res=sread(x,o);
	else	res=0;
	return res;
}
int check(){
	int res=0,now=0;
	int a,b,x;
	stack<int> s;
	int flag=-1;
	bool ins[26]={0};
	bool ef[26]={0};
	for(int i=1;i<=l;i++){
		if(code[i][0]=='F'){
			int k=code[i][2]-'a';
			if(ins[k])	return -1;
			s.push(k);ins[k]=true;
			x=4;
			a=sread(x,code[i]);b=sread(x,code[i]);//处理a的x与处理b的x值不一样 
			if(b-a>1000){
				if(flag==-1){
					now++;
					res=max(res,now);
					ef[k]=true;
				}
			} 
			if(a>b){
				if(flag==-1)flag=k;
			}
		}
		if(code[i][0]=='E'){
			if(s.empty())	return -1;
			int k=s.top();
			s.pop();ins[k]=false;
			if(flag==k)	flag=-1;
			if(ef[k]){
				ef[k]=false;
				now--;
			}
		}
	}
	if(s.size())	return -1;
	return res;
}
int main(){
	scanf("%d",&t);
	while(t--){
		int ww;
		scanf("%d ",&l);getline(cin,o);//scanf里%d后一定要加空格
		//不加是错的!!!!!加空格啊啊啊啊 
		w=geto();
		for(int i=1;i<=l;i++){
			getline(cin,code[i]);
		}
		ww=check();
		if(ww==-1)puts("ERR");
		else{
			if(ww==w)puts("Yes");
			else	puts("No");
		}
	}
	return 0;
}
尽量用函数实现 + , − +,- +,,避免取模取漏 W A WA WA s b sb sb
+ + i ++i ++i代替 i + + i++ i++
优先级不清楚的一定要加括号
倍增数组范围小的放在前面
DP先写出最暴力的方程再考虑优化
能用位运算就不要用优先级高的
a b o u t   s p l a y about\ splay about splay 旋转是有数据联系的点才旋转啊,别看着开心就旋了好sb但是还是要好好分析别乱搞
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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