动态规划(二)

二维费用背包

//最大
scanf("%d%d%d",&n,&V,&M);
	for(int i=0;i<n;i++){
		int a,b,c;
		scanf("%d%d%d",&a,&b,&c);
		for(int j=V;j>=a;j--){
			for(int k=M;k>=b;k--){
				dp[j][k] = max(dp[j][k],dp[j-a][k-b] + c);
			}
		}
	}
	printf("%d\n",dp[V][M]);
//
//最小
	scanf("%d%d%d",&V,&M,&n);
	memset(dp,INF,sizeof(dp));
	dp[0][0] = 0;	
	for(int i=0;i<n;i++){
		scanf("%d%d%d",&v[i],&m[i],&w[i]);
	}
	for(int i=0;i<n;i++){
		for(int j=V;j>=0;j--){
			for(int k=M;k>=0;k--){
				int aa = min(V,j + v[i]);
				int bb = min(M,k + m[i]);
				dp[aa][bb] = min(dp[aa][bb],dp[j][k] + w[i]);
			}
		}
	}
	printf("%d\n",dp[V][M]);

混合背包(把多重背包二进制转化)

int N,V;
int dp[205];
int type[205],v[205],w[205];
int cnt;
int main(){
	scanf("%d%d",&V,&N);
	cnt = 0;
	for(int i=0;i<N;i++){
		int a,b,c;
		scanf("%d%d%d",&a,&b,&c);
		if(c == 0){
			type[cnt] = 0;
			w[cnt] = a;
			v[cnt++] = b;
		}
		else if(c == 1){
			type[cnt] = 1;
			w[cnt] = a;
			v[cnt++] = b;
		}
		else {
			for(int k=1;k<=c;k*=2){
				c -= k;
				type[cnt] = 1;
			    w[cnt] = a*k;
			    v[cnt++] = b*k;
			}
			if(c){
				type[cnt] = 1;
			    w[cnt] = c*a;
		        v[cnt++] = c*b;
			}
		}
	}
	
	for(int i=0;i<cnt;i++){
		if(type[i] == 1){  //01背包
			for(int j=V;j>=w[i];j--)
			    dp[j] = max(dp[j],dp[j-w[i]] + v[i]);
		}
		else{  //完全背包数量无限.
			for(int j=w[i];j<=V;j++){
				dp[j] = max(dp[j],dp[j-w[i]] + v[i]);
			}
		} 
	}
	printf("%d\n",dp[V]);
	return 0;
}

背包装满

//背包装满...
int a[4] = {10,20,50,100};
int dp[1005],n; 
int main(){
	scanf("%d",&n);
	memset(dp,0,sizeof(dp));
	dp[0] = 1;
	for(int i=0;i<4;i++){
		for(int j=a[i];j<=n;j++){
			dp[j] += dp[j-a[i]];
		}
	}
	printf("%d\n",dp[n]); 
	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