spoj - DQUERY (区间内不同数的个数 主席树 在线)

题意:

给n,然后给长度为n的数组
给m,表示m各询问
每个询问给L,R,输出L到R中不同数字的个数

分析:

树状数组离线解法:点此
和用树状数组解差不多,每次插入数字的下标,插入前判断数字之前是否出现过,如果出现过,就删除之前的然后再添加新的,这样保证每个数靠近R

因为主席树每棵树就是一个前缀,所以每次查询L-R区间内不同数的个数即求第R棵树中大于等于L的数的个数和

ps:

还有一种是倒过来插入数字下标,插入前判断是否出现,如果出现就删除然后添加新的,这样可以保证每个数靠近L(hdu5919)

第一次见到一棵树修改超过一次的题

code:
#include<cstdio>
#include<cstring>
#include<iostream>
#include<set>
#include<cmath>
#include<algorithm>
using namespace std;
const int maxm=1e6+5;
struct Node{
    int lc,rc,cnt;
}a[maxm*40];
int r[maxm],cnt;
int b[maxm];
int mark[maxm];
int build(int l,int r){
    int k=cnt++;
    a[k].cnt=0;
    if(l!=r){
        int mid=(l+r)/2;
        a[k].lc=build(l,mid);
        a[k].rc=build(mid+1,r);
    }
    return k;
}
void pushup(int k){
    a[k].cnt=a[a[k].lc].cnt+a[a[k].rc].cnt;
}
int update(int x,int val,int l,int r,int last){
    int k=cnt++;
    a[k]=a[last];
    if(l==r){
        a[k].cnt+=val;
        return k;
    }
    int mid=(l+r)/2;
    if(x<=mid)a[k].lc=update(x,val,l,mid,a[last].lc);
    else a[k].rc=update(x,val,mid+1,r,a[last].rc);
    pushup(k);
    return k;
}
int ask(int st,int ed,int l,int r,int node){
    if(st<=l&&ed>=r){
        return a[node].cnt;
    }
    int mid=(l+r)/2;
    int ans=0;
    if(st<=mid)ans+=ask(st,ed,l,mid,a[node].lc);
    if(ed>=mid+1)ans+=ask(st,ed,mid+1,r,a[node].rc);
    return ans;
}
int main(){
    int n;
    scanf("%d",&n);
    for(int i=1;i<=n;i++){
        scanf("%d",&b[i]);
    }
    r[0]=build(1,n);
    for(int i=1;i<=n;i++){
        if(!mark[b[i]]){
            r[i]=update(i,1,1,n,r[i-1]);
        }else{
            r[i]=update(mark[b[i]],-1,1,n,r[i-1]);//先删除上一次的
            r[i]=update(i,1,1,n,r[i]);//添加新的,(当场再修改一次(?
        }
        mark[b[i]]=i;
    }
    int q;
    scanf("%d",&q);
    while(q--){
        int x,y;
        scanf("%d%d",&x,&y);
        printf("%d\n",ask(x,n,1,n,r[y]));//(x-n的和)
    }
    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,生成器生成据,判别器评估据的真实性。 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(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。 9. **损失函(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。 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