摆花的人 (flower)

摆花的人 (flower)

时间限制: 1 Sec 内存限制: 128 MB

题目描述

在曾经的讲解中,花和他的兄弟姐妹们被这个叫做 Y y x Yyx Yyx 的人摆来摆去,吓得耳朵都瞎了,嘴巴也听不见了。于是他们决定「以其人之道还治其人之身」,他们把 Y y x , K a n g k a n g , M i c h a e l Yyx, Kangkang, Michael Yyx,Kangkang,Michael 等人摆成一排,这个时候,花说道:「你们的身高太不和谐了,只有满足我的要求的人才能留下,其他人都去当花。」而 Y y x Yyx Yyx 想留下尽量多的同胞们,于是他来找你了。
具体而言,人的高度可以看成一列整数 h 1 , h 2 , . . . , h n h_1,h_2,...,h_n h1,h2,...,hn
设当一部分人出去后,剩下的人的高度依次为 g 1 , g 2 , . . . , g m g_1,g_2,...,g_m g1,g2,...,gm ,则花们希望下面两个条件中至少有一个满足:
·条件A :对于所有 g 2 i > g 2 i − 1 , g 2 i > g 2 i + 1 g_{2i}>g_{2i-1},g_{2i}>g_{2i+1} g2i>g2i1,g2i>g2i+1
·条件B :对于所有 g 2 i < g 2 i − 1 , g 2 i < g 2 i + 1 g_{2i}<g_{2i-1},g_{2i}<g_{2i+1} g2i<g2i1,g2i<g2i+1。。
注意上面两个条件在 n = 1 n=1 n=1 时同时满足,当 n > 1 n > 1 n>1时最多有一个能满足。

输入

第一行包含一个正整数 n n n ,表示开始时的人数。
第二行包含 n n n 个正整数,依次为 h 1 , h 2 , . . . h n h_1,h_2,...h_n h1,h2,...hn , 表示每个人的高度。

输出

输出留下的人数的最大值。

样例输入

5
5 3 2 1 2

样例输出

3

提示

对于所有数据, 1 ≤ n ≤ 1 0 6 , 0 ≤ h i ≤ 1 0 6 1≤n≤10^6,0≤h_i≤10^6 1n106,0hi106

#include <iostream>
#include <cstdio>
#include <cstring>
#include <set>
#include <queue>
using namespace std;
typedef long long ll;
typedef pair<ll,ll>PII ;
const int mod = 12345;
const int inf = 0x3f3f3f3f;
const int maxn = 1e4+10;
int n,x,k=2,h,ans;
inline void work() {
    scanf("%d", &n);
    scanf("%d", &x);
    for (int i = 1; i < n; i++) {
        scanf("%d", &h);
        if (h > x && k != 1) {
            ans++;
            k = 1;
        }
        if (h < x && k != 0) {
            ans++;
            k = 0;
        }
        x = h;
    }
    printf("%d\n", ans + 1);
}
int main() {
    int T=1;
    //scanf("%d", &T);
    while (T--) {
        work();
    }
    return 0;
}
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