div3 C. Dominant Piranha

div3 C. Dominant Piranha(思维)
题目链接
题目大意是给你一堆序列,一开始选择一个数,每次可以进行一次操作,如果当前数大于临近的数则可以把周围数“吃掉”,然后序列数减一,该数加一,经过多次操作后如果可以把序列数变为1,如果存在这样的数则输出该数的下标,否则输出-1.(当时打比赛的时候太傻逼了,居然跟着题目走,而没有自己思考,比如找极值或者必胜点),
我们很明显可以得到一个结论,如果这个序列里面的最大值可以吃掉周围的数,那么这将绝杀,因为不可能有数比这个数还要大,所以必定可以吃完,(如果跟着题目走,找一个数慢慢吃,吃到可以大到最大值,那为什么我不用最大值来吃呢?)

#include<bits/stdc++.h>
#include<algorithm>
#include<cmath>
#include<cstring>
#include<vector>
#include<queue>
#define int long long
const int maxn=3000050;
#define inf 2147483647
#define rep(i,a,b) for(int i=a;i<=b;++i)
#define fep(i,a,b) for(int i=b;i>=a;--i)
#define scf(x) scanf("%lld",&x)
#define prf(x) printf("%lld\n",x)
#define deprf(x) printf("[%lld]\n",x)
#define mymset(x,y) memset(x,y,sizeof(x))
const int mod=1e9+7;
using namespace std;
int a[maxn];
signed main()
{
	int t;
	scf(t);
	while(t--)
	{
		int n;
		scf(n);
		int maxx=-1;
		rep(i,1,n)
		{
			scf(a[i]);
			maxx=max(maxx,a[i]);
		}
		int f=0;
		rep(i,1,n)
		{
			if(a[i]==maxx&&((i!=1&&a[i-1]!=maxx)||(i!=n&&a[i+1]!=maxx)))
			{
				f=i;
				break;
			}
		}
		if(f)prf(f);
		else printf("-1\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